Label RankingによるSemantic Tbxton Forestsのマルチラベルへの拡張

摘要

本稿では，マルチラベルに対応したセマンティツクセグメンテーションを実現するために，Label Rankingを用いてSemantic Texton Fbrestsをマルチラベルへ拡張するLR-STFsを提案する．LR-STFsはSemantic Texton brestsの学習アルゴリズムを，マルチラベルサンプルを用いた学習タスクであるLabel Rankingを利用してマルチラベルへ拡張する．LR-STFsを利用してBoFによるヒストグラムに表現を行い，Label Powerset法を用いてラベルの符号化を行うことでマルチラベルに対応した識別器LP-RFsを構築する．これによりマルチラベルに対応したセマンティツクセグメンテーションを実現することが可能となる．評価実験により，約70%の精度でセグメンテーションが可能であることを示し，提案手法によるマルチラベルに対応したセマンティツクセグメンテーションの有効性を確認した．%A method for multi-label semantic segmentation is proposed. The proposed method is based on the use of semantic texton forests, which can compute texton features faster than other method. We adapted the training algorithm for semantic texton forests to multi-label problems by using label ranking, which is a multi-label learning task. Our multi-label semantic segmentation method consists of two steps: extracting features from each pixel of an image by using semantic texton forests that have been adapted to multi-label problems by using label ranking, and classifying each pixel by using multi-label classifiers that have been trained using label powersets, where sets of labels are considered as one category. The proposed method can divide regions into not only single label categories but also multi-label categories. Experimental results for an original dataset including multi-label categories show that our method has about 70% segmentation accuracy.