用于弱监督语义分割的自适应亲和力损失与错误伪标签精炼
计算机视觉与模式识别
2021-08-04 v1
摘要
语义分割在过去十年中得到了持续研究，绝大多数已建立的技术都基于监督模型。近年来，由于数据标注效率高，包括单阶段和多阶段过程在内的图像级弱监督语义分割 (WSSS) 引起了广泛关注。在本文中，我们提出将多阶段方法的亲和力学习嵌入到单阶段模型中。具体来说，我们引入了一种自适应亲和力损失，以彻底学习局部成对亲和力。这样，深度神经网络在训练阶段被用于传递全面的语义信息，同时提高最终预测模块的性能。另一方面，考虑到伪标签中存在错误，我们提出了一种新颖的标签重分配损失以缓解过拟合。我们在 PASCAL VOC 2012 数据集上进行了大量实验，以评估我们提出的方法的有效性，该方法优于其他标准单阶段方法，并取得了与几种多阶段方法相当的性能。
引用
@article{arxiv.2108.01344,
title = {Adaptive Affinity Loss and Erroneous Pseudo-Label Refinement for Weakly Supervised Semantic Segmentation},
author = {Xiangrong Zhang and Zelin Peng and Peng Zhu and Tianyang Zhang and Chen Li and Huiyu Zhou and Licheng Jiao},
journal= {arXiv preprint arXiv:2108.01344},
year = {2021}
}