BoxTeacher：探索用于弱监督实例分割的高质量伪标签
计算机视觉与模式识别
2023-03-20 v2
摘要
与边界框相比，用像素级分割标注目标需要大量的人力。现有大多数弱监督实例分割方法侧重于利用边界框的先验来设计启发式损失。然而，我们发现框监督方法可以产生一些精细的分割掩码，我们想知道检测器是否可以在忽略低质量掩码的同时从这些精细掩码中学习。为了回答这个问题，我们提出了 BoxTeacher，这是一个用于高性能弱监督实例分割的高效端到端训练框架，它利用一个成熟的教师模型生成高质量掩码作为伪标签。考虑到大量噪声掩码会损害训练，我们提出了一种掩码感知置信度分数来估计伪掩码的质量，并提出了噪声感知像素损失和降噪亲和力损失，以利用伪掩码自适应地优化学生模型。大量实验证明了所提出的 BoxTeacher 的有效性。无需繁杂的技巧，BoxTeacher 在具有挑战性的 COCO 数据集上分别使用 ResNet-50 和 ResNet-101 取得了 35.0 mask AP 和 36.5 mask AP，以显著优势超越了之前的最先进方法，并弥合了框监督和掩码监督方法之间的差距。代码和模型将在 https://github.com/hustvl/BoxTeacher 上提供。
关键词
引用
@article{arxiv.2210.05174,
title = {BoxTeacher: Exploring High-Quality Pseudo Labels for Weakly Supervised Instance Segmentation},
author = {Tianheng Cheng and Xinggang Wang and Shaoyu Chen and Qian Zhang and Wenyu Liu},
journal= {arXiv preprint arXiv:2210.05174},
year = {2023}
}
备注
Accepted to CVPR 2023. Code and models: https://github.com/hustvl/BoxTeacher