教師データ作成を高速化！セグメンテーションのラベリングをGraph Convolution Networkで支援する研究の登場！

3つの要点

❶ セグメンテーションの教師データ作成を支援する「Curve-GCN」の提案　
❷ 従来手法より高速に、そして高精度に教師データ作成を支援可能
❸ 別ドメインのデータに対しても高精度に支援可能

 

突然ですが、教師データの作成に苦労していませんか？

近年、深層学習技術が注目を集めていますが、深層学習技術は高品質の大量の教師データで学習することで初めて性能を発揮します。そのような教師データがあれば、適切なモデルを定義して精度良くタスクを解くことが可能となります。

しかし、実際にはそのような教師データを集めることは非常に時間とコストのかかる作業です。大規模なデータセットを用いて事前学習し、転移学習を行えば少ないデータで学習することは可能ですが、公開されているデータセットは商用利用不可能な場合が多いのが現状です。

そのため、教師データの作成が必要となることも多々あります。

例えば、セグメンテーションのタスクの教師データの作成には、１,セグメンテーションをしたい物体が写った画像を大量に集めるプロセスと、２,集めた画像一つ一つにピクセル単位でラベリングを行うプロセスが存在します。

どちらも大変な作業ですが、セグメンテーションの場合、特に２の作業に時間が掛かります。

今回紹介するCurve-GCNは、上の２のプロセスを支援する研究で、Graph Convolution Network(GCN)を使ってラベリングを支援します。

図1. Curve-GCNの概要

Curve-GCNによって、、従来手法より高速に、そしてより高精度にラベリングを支援することが可能にできます。

Curve-GCNでは、

１,GCNが特徴量を元にラベリングする物体の境界を認識
２,ユーザーがその境界をインタラクティブに操作
３,操作後の境界をさらにGCNで再調整

という流れでラベリングを支援します。デモ動画がありますので参考にご覧ください。

• 
• 
• 

この記事に関するカテゴリー

• その他