不同图像域中弱监督语义分割的综合分析
计算机视觉与模式识别
2020-10-20 v3
摘要
近期提出的弱监督语义分割方法在仅使用缺乏位置信息的图像标签进行训练的情况下，在预测像素类别方面取得了令人印象深刻的性能。由于图像标注更廉价、更快速，弱监督比全监督更实用用于训练分割算法。这些方法主要为解决自然场景图像所呈现的背景分离与部分分割问题而开发，尚不清楚它们能否简单迁移到具有不同特征的其他域（如组织病理学和卫星图像）并仍表现良好。本文在自然场景、组织病理学和卫星图像数据集上评估了最先进的弱监督语义分割方法，并分析了如何确定哪种方法最适合给定数据集。我们的实验表明，组织病理学和卫星图像为弱监督语义分割带来了与自然场景图像不同的一组问题，例如模糊边界与类别共现。方法在其所开发的数据集上表现良好，但在其他数据集上往往表现不佳。我们针对这些方法在未见数据集上提出了一些实用技巧，并主张需要更多工作以构建可泛化的弱监督语义分割方法。我们的完整代码实现可在 GitHub 获取：https://github.com/lyndonchan/wsss-analysis。
引用
@article{arxiv.1912.11186,
title = {A Comprehensive Analysis of Weakly-Supervised Semantic Segmentation in Different Image Domains},
author = {Lyndon Chan and Mahdi S. Hosseini and Konstantinos N. Plataniotis},
journal= {arXiv preprint arXiv:1912.11186},
year = {2020}
}
备注
23 pages; accepted by International Journal of Computer Vision (IJCV). Associated code available at https://github.com/lyndonchan/wsss-analysis. To view Supplementary Materials, please download pdf file listed under "Ancillary files". Int J Comput Vis (2020)