CW-BASS v2: ファウンデーションモデル教師を用いた半教師ありセグメンテーションのための飽和を考慮した擬似ラベル選択

要旨

半教師ありセマンティックセグメンテーションは、長らくどの擬似ラベルを信頼するかという一つの問いを中心に展開してきた。選択規則、動的閾値、クラス別カリキュラム、ソフト信頼度重み付けといった一連の手法は、当時のノイズが多く低信頼度のResNet教師に対してその問いに答えた。自己教師あり基盤エンコーダはこの様相を変える。DINOv2教師では信頼度が飽和するため、弱い教師を助けたフィルタリングが強い教師には害となり得る。我々はCW-BASS v2を提案する。これは、単一の規則に固執するのではなく教師の信頼度の様相を読み取る、飽和を考慮した擬似ラベル選択手法である。この手法は、ホールドアウトデータによる較正（クラスごとの不偏ノイズ推定）と、保持率が1から離れることを証明可能に保証する自己適応的信頼度フロアを組み合わせ、それらをワンパスゲートとして統合する。具体的には、ホールドアウトデータの一部分上で教師の高信頼集合の信頼性π_kept = Pr[correct | c ≥ τ]を測定し、それが要求される信頼度を満たす場合（π_kept ≥ τ）には厳密にフィルタリングし、そうでない場合には適応的フロアにフォールバックする。その境界は、mIoUに対して調整された値ではなく、既存の動作閾値である。そして6つのDINOv2教師にわたり、厳密フィルタリング（strict）とフロアのどちらを選ぶかという正しい判断をブラインドで下す。このようにCW-BASS v2は、飽和したベンチマークではstrictを選択することでUniMatch V2の動作点を再現する（Pascal VOC 1/8分割で87.4、報告値87.9に対して；Cityscapesでは報告値との差0.5以内）。一方、高信頼集合が信頼できない場合（π_kept≈89%、ADE20K）では、フロアが+1.5 mIoU（単一シード）だけ勝り、UniMatch V2を改善する。このゲートが原理的であるのは、それが回避する失敗が仮定ではなく測定に基づいているからである。信頼性が高く飽和した教師では、信頼度分布のダイナミックレンジが崩壊する（Pascalの画素の98%が0.95以上）。そのため、適応的カットオフは保持マスクを埋め尽くし、自己学習は確証バイアスへと陥る。

English

Semi-supervised semantic segmentation has long turned on one question, which pseudo-labels to trust, and a generation of selection rules, dynamic thresholds, per-class curricula, soft confidence weights, answered it for the noisy, under-confident ResNet teachers of their day. Self-supervised foundation encoders change the regime: with a DINOv2 teacher, confidence saturates, so the filtering that helped a weak teacher can hurt a strong one. We propose CW-BASS v2, a saturation-aware pseudo-label selection method that reads the teacher's confidence regime rather than committing to one rule. It pairs held-out calibration, an unbiased per-class noise estimate, with a self-adaptive confidence floor that provably bounds retention away from 1, and combines them in a one-pass gate: measure the reliability of the teacher's confident set, pi_kept = Pr[correct | c >= tau], on a held-out slice, and filter strictly when it meets the confidence demanded (pi_kept >= tau), falling back to the adaptive floor otherwise. The boundary is the pre-existing operating threshold, not a value tuned to mIoU, and across six DINOv2 teachers it makes the correct strict-vs-floor call blind. CW-BASS v2 thus recovers the UniMatch V2 operating point on the saturated benchmarks by selecting strict (Pascal VOC 1/8 87.4 against its reported 87.9; Cityscapes within 0.5), and improves on it where the confident set is unreliable (pi_kept ~ 89%, ADE20K), where the floor edges ahead (+1.5 mIoU, single seed). The gate is principled because the failure it avoids is measured, not assumed: on a reliable, saturated teacher the confidence distribution's dynamic range collapses (98% of Pascal pixels >= 0.95), so an adaptive cutoff floods the retention mask and self-training decays into confirmation bias.