用于弱监督语义分割的框驱动类级区域掩蔽与填充率引导损失
计算机视觉与模式识别
2019-04-29 v1
摘要
语义分割通过采用深度全卷积网络(FCN)取得了巨大进展。然而,基于FCN的模型的性能严重依赖于像素级标注的数量,而这些标注昂贵且耗时。为解决此问题,从边界框中进行弱监督学习以进行分割是一个不错的选择。如何充分利用边界框提供的类级与区域级监督是弱监督学习任务的关键挑战。本文首先提出一种框驱动的类级掩蔽模型(BCM)以去除每一类的不相关区域。此外,基于由边界框监督生成的像素级分割提议,我们可以计算每一类的平均填充率作为重要先验线索,进而提出一种填充率引导的自适应损失(FR-Loss)以帮助模型忽略提议中错误标注的像素。与以往直接使用固定的个体分割提议训练模型的方法不同,我们的方法能够利用全局统计信息调整模型学习,从而有助于减少错误标注提议带来的负面影响。我们在具有挑战性的PASCAL VOC 2012基准上评估所提方法并与其他方法比较。大量实验结果表明所提方法有效且达到了最先进的(state-of-the-art)结果。
引用
@article{arxiv.1904.11693,
title = {Box-driven Class-wise Region Masking and Filling Rate Guided Loss for Weakly Supervised Semantic Segmentation},
author = {Chunfeng Song and Yan Huang and Wanli Ouyang and Liang Wang},
journal= {arXiv preprint arXiv:1904.11693},
year = {2019}
}
备注
Accepted by CVPR 2019