桥接合成与真实世界域：面向工业有毒排放分割的人类在环弱监督框架
计算机视觉与模式识别
2025-11-13 v2 人工智能
摘要
工业烟雾分割是空气质量监测和环境保护的关键任务，但常因真实场景下像素级标注成本高昂且稀缺而受限。我们引入 CEDANet，一个人类在环、类别感知的域适应框架，独特地将弱监督的市民提供的视频级标签与对抗特征对齐相结合。具体而言，我们利用市民投票细化由源域训练的分割模型生成的伪标签，并采用类别特定域判别器将丰富的源域表征迁移到工业域。在 SMOKE5K 和定制 IJmond 数据集上进行全面实验，表明 CEDANet 在市民反馈下实现 F1 分数 0.414 和烟雾类别 IoU 0.261，显著优于基线模型（分别为 0.083 和 0.043），分别提升了约五倍和六倍。值得注意的是，在市民约束的伪标签下，CEDANet 的性能可与在仅有 100 张完全标注图像上训练的相同架构相当，F1 分数为 0.418，IoU 为 0.264，表明其无需目标域标注即可达到小样本完全监督水平的精度。我们的研究验证了将公民科学与弱监督域适应结合的可扩展性和成本效益，为复杂数据稀缺的环境监测应用提供了实用解决方案。
引用
@article{arxiv.2507.22002,
title = {Bridging Synthetic and Real-World Domains: A Human-in-the-Loop Weakly-Supervised Framework for Industrial Toxic Emission Segmentation},
author = {Yida Tao and Yen-Chia Hsu},
journal= {arXiv preprint arXiv:2507.22002},
year = {2025}
}