ARM：一种用于粗语义分割的基于置信度的对抗重加权模块
计算机视觉与模式识别
2021-07-27 v2
摘要
粗标注的语义分割标注易于获取，但因此存在丢失边缘细节和引入背景像素的风险。受固有噪声所阻，现有的粗标注仅被用作模型预训练的补充。在本文中，我们尝试通过基于置信度的重加权策略来挖掘其潜力。具体而言，基于损失的重加权策略通常取高损失值来识别两类完全不同的像素，即无噪声标注中的有价值像素和噪声标注中的错标像素。这使得同时执行挖掘有价值像素与抑制错标像素两项任务变得不可能。然而，在预测置信度的帮助下，我们成功解决了这一困境，并以单一重加权策略同时执行两个子任务。此外，我们将该策略推广为一个对抗重加权模块（ARM）并严格证明了其收敛性。在标准数据集上的实验表明，我们的 ARM 能为粗标注和细标注都带来一致提升。具体地，基于 DeepLabv3+，ARM 在粗标注的 Cityscapes 上将 mIoU 显著提升，并将 ADE20K 数据集上的 mIoU 提高到 47.50。
引用
@article{arxiv.2009.05205,
title = {ARM: A Confidence-Based Adversarial Reweighting Module for Coarse Semantic Segmentation},
author = {Jingchao Liu and Ye Du and Zehua Fu and Qingjie Liu and Yunhong Wang},
journal= {arXiv preprint arXiv:2009.05205},
year = {2021}
}