Réseaux de Neurones Convolutionnels Contraints pour la Segmentation Faiblement Supervisée

Nous présentons une approche pour apprendre un étiquetage dense pixel par pixel à partir d'étiquettes au niveau de l'image. Chaque étiquette au niveau de l'image impose des contraintes sur l'étiquetage en sortie d'un classifieur par Réseau de Neurones Convolutionnel (CNN). Nous proposons Constrained CNN (CCNN), une méthode qui utilise une fonction de perte novatrice afin d'optimiser tout ensemble de contraintes linéaires sur l'espace de sortie (c'est-à-dire la distribution des étiquettes prédites) d'un CNN. Notre formulation de perte est facile à optimiser et peut être directement intégrée dans l'optimisation classique par descente de gradient stochastique. L'idée clé est de formuler l'objectif d'apprentissage comme une optimisation biconvexe pour des modèles linéaires, que nous relâchons ensuite aux réseaux profonds non linéaires. De vastes expériences démontrent la généralité de notre nouveau cadre d'apprentissage. La perte contrainte fournit des résultats à la pointe de l'état de l'art en segmentation sémantique d'images faiblement supervisée. Nous montrons également que l'ajout d'une supervision légèrement plus étendue peut grandement améliorer les performances de l'algorithme d'apprentissage.