用于半监督语义分割的对抗学习
计算机视觉与模式识别
2018-07-26 v2
摘要
我们提出一种使用对抗网络的半监督语义分割方法。虽然大多数现有判别器被训练用于在图像层级将输入图像分类为真实或伪造，我们以一种全卷积方式设计判别器，以在考虑空间分辨率的情况下，将预测的概率图与真实分割分布区分开来。我们表明，所提出的判别器可通过将对抗损失与所提出模型的标准交叉熵损失相耦合来提升语义分割精度。此外，全卷积判别器能够通过发现无标签图像预测结果中的可信区域来实现半监督学习，从而提供额外的监督信号。与利用弱标签图像的现有方法不同，我们的方法利用无标签图像来增强分割模型。在 PASCAL VOC 2012 和 Cityscapes 数据集上的实验结果证明了所提算法的有效性。
引用
@article{arxiv.1802.07934,
title = {Adversarial Learning for Semi-Supervised Semantic Segmentation},
author = {Wei-Chih Hung and Yi-Hsuan Tsai and Yan-Ting Liou and Yen-Yu Lin and Ming-Hsuan Yang},
journal= {arXiv preprint arXiv:1802.07934},
year = {2018}
}
备注
Accepted in BMVC 2018. Code and models available at https://github.com/hfslyc/AdvSemiSeg