基于监督 ClassMix 与监督-非监督特征判别器的半监督分割精度提升
计算机视觉与模式识别
2026-04-09 v1 机器学习
摘要
在语义分割中，为训练数据创建像素级标签会产生显著成本。为解决此问题，半监督学习利用少量标记图像与未标记图像以提升性能受到关注。传统半监督方法 ClassMix 将来自未标记图像预测的类别标签粘贴到其他图像上。然而，由于 ClassMix 使用来自未标记图像的伪标签，存在处理不准确标签的风险。此外，标记图像与未标记图像之间存在数据质量差距，这会影响特征图。本研究针对上述两个问题：首先，我们提出将标记图像中的类别标签及其相应图像区域粘贴到未标记图像及其伪标签图像上的方法；其次，我们引入训练模型使其对未标记图像的预测更接近标记图像预测的方法。在 Chase 和 COVID-19 数据集上的实验表明，与传统半监督方法相比，mIoU 平均提升 2.07%。
引用
@article{arxiv.2604.07122,
title = {Accuracy Improvement of Semi-Supervised Segmentation Using Supervised ClassMix and Sup-Unsup Feature Discriminator},
author = {Takahiro Mano and Reiji Saito and Kazuhiro Hotta},
journal= {arXiv preprint arXiv:2604.07122},
year = {2026}
}