超越判别性区域：显著性图作为 CAM 在弱监督语义分割中的替代方案
计算机视觉与模式识别
2023-08-23 v1 人工智能
摘要
近年来，提出了若干弱监督语义分割（WS3）方法，利用分类器生成的类激活图（CAMs）来产生伪真值以训练分割模型。虽然 CAMs 善于突出图像的判别性区域（DR），但众所周知其忽略了对象中不对分类器预测做出贡献的区域，即非判别性区域（NDR）。相比之下，诸如显著性图之类的归因方法提供了一种替代方案，基于每个像素对分类预测的贡献为其分配分数。本文对显著性图与 CAMs 在 WS3 中进行了全面比较。我们的研究从多个视角理解它们的相似与不同。此外，我们提出了新的评估指标，对替代方法相对于 CAMs 的 WS3 性能进行全面评估。我们在基准数据集上的实证研究表明了显著性图在解决 CAMs 局限性方面的有效性。进一步，我们提出随机裁剪作为一种随机聚合技术，提升了显著性的性能，使其成为 WS3 中 CAM 的有力替代。
引用
@article{arxiv.2308.11052,
title = {Beyond Discriminative Regions: Saliency Maps as Alternatives to CAMs for Weakly Supervised Semantic Segmentation},
author = {M. Maruf and Arka Daw and Amartya Dutta and Jie Bu and Anuj Karpatne},
journal= {arXiv preprint arXiv:2308.11052},
year = {2023}
}
备注
24 pages, 13 figures, 4 tables