DuPL: 信頼できる進行学習による堅牢な弱教師ありセマンティックセグメンテーションのための二重学生

最近、画像レベルのラベルを用いた一次弱教師ありセマンティックセグメンテーション（WSSS）が、その手間のかかる多段階の対策に対する簡略化から、ますます注目を集めています。クラスアクティベーションマップ（CAM）の固有の曖昧さによって制限され、我々は一次パイプラインがしばしば不正確なCAM擬似ラベルによって引き起こされる確認バイアスに直面していることを観察し、最終的なセグメンテーション性能を損なっています。最近の研究は、この問題を暗黙的に緩和するために多くの信頼できない擬似ラベルを廃棄していますが、モデルに対する十分な監視を活用できていません。このため、我々は信頼できる進行学習（DuPL）を持つ二重学生フレームワークを提案します。具体的には、各サブネットのために多様なCAMを生成するために、不一致損失を持つ二重学生ネットワークを提案します。二つのサブネットは互いに監視を生成し、自分たちの不正確な擬似ラベルを学習することによって引き起こされる確認バイアスを軽減します。このプロセスでは、順次より信頼できる擬似ラベルを導入し、適応型ノイズフィルタリング戦略による動的閾値調整を通じて監視に関与させます。さらに、我々は、監視から信頼性のために廃棄されたすべてのピクセルがWSSSにとって重要であると考えています。このため、これらの廃棄された領域に対して一貫性の正則化を開発し、すべてのピクセルに監視を提供します。実験結果は、PASCAL VOC 2012およびMS COCOデータセットにおける提案されたDuPLの優越性を示しています。コードは https://github.com/Wu0409/DuPL で入手可能です。