增强至关重要：一种简洁而高效的半监督语义分割方法
计算机视觉与模式识别
2022-12-12 v1
摘要
近期关于半监督语义分割（SSS）的研究取得了快速进展。尽管现有最优方法性能令人瞩目，但它们往往倾向于日益复杂的设计，代价是引入更多网络组件和额外的训练流程。与之不同，本工作遵循标准的教师-学生框架，提出 AugSeg，一种简洁干净的方法，主要聚焦于数据扰动以提升 SSS 性能。我们认为，各种数据增强应加以调整以更好地适应半监督场景，而非直接套用监督学习中的这些技术。具体而言，我们采用一种简化的基于强度的增强，从连续空间中均匀采样失真强度，并随机选择若干数据变换。基于模型对不同无标签样本置信度的估计，我们还以自适应方式随机注入有标签信息来增强无标签样本。无需繁冗技巧，我们简洁的 AugSeg 即可在不同划分协议下的 SSS 基准上轻松达到新的最优性能。
引用
@article{arxiv.2212.04976,
title = {Augmentation Matters: A Simple-yet-Effective Approach to Semi-supervised Semantic Segmentation},
author = {Zhen Zhao and Lihe Yang and Sifan Long and Jimin Pi and Luping Zhou and Jingdong Wang},
journal= {arXiv preprint arXiv:2212.04976},
year = {2022}
}
备注
10 pages, 8 tables