基于质心损失的弱监督语义分割方法：在质量控制与检测中的应用
计算机视觉与模式识别
2021-03-05 v3
摘要
人们普遍认为，当前基于深度学习和卷积神经网络的视觉算法的关键部分之一，是标注足够数量的图像以取得有竞争力的性能。对于语义分割任务而言这尤为困难，因为标注理想情况下须在像素级别生成。弱监督语义分割旨在通过使用更简单的标注来降低此成本，因而此类标注更易、更廉、更快生产。本文提出并评估了一种新的弱监督语义分割方法，其采用一种新颖的损失函数，目标是抵消弱标注的影响。为此，该损失函数包含若干基于部分交叉熵损失的项，其中之一是质心损失(Centroid Loss)。该项诱导所考虑目标类别的图像像素聚类，旨在通过引导优化来改进分割网络的训练。该方法的性能针对来自两个不同工业相关案例研究的数据集进行评估：其中一个涉及在质量控制应用中检测若干不同目标类别的实例，另一个源于视觉检测领域，处理对应受特定缺陷影响的场景表面点的图像区域的定位。所报告的两种案例的检测结果表明，尽管二者存在差异及各自挑战，弱标注的使用并未妨碍在两者中均达到有竞争力的性能水平。
引用
@article{arxiv.2010.13433,
title = {A Weakly-Supervised Semantic Segmentation Approach based on the Centroid Loss: Application to Quality Control and Inspection},
author = {Kai Yao and Alberto Ortiz and Francisco Bonnin-Pascual},
journal= {arXiv preprint arXiv:2010.13433},
year = {2021}
}