CAFS：用于半监督语义分割的类自适应框架
计算机视觉与模式识别
2023-03-22 v1
摘要
半监督语义分割利用少量标注样本和大量未标注图像学习将像素分类到特定类别的模型。近期领先的方法是通过对未标注图像中高置信度像素进行伪标注的自训练一致性正则化。然而，仅使用高置信度像素进行自训练，由于现代深度学习网络置信度校准较差，可能导致未标注数据集中大量信息丢失。本文中，我们提出一种用于半监督语义分割的类自适应半监督框架（CAFS），以应对现有基于高置信度的伪标注方法中所发生的大部分信息丢失问题。与现有半监督语义分割框架不同，CAFS在标注数据集上构建验证集，以利用各类的校准性能。在此基础上，我们利用验证集的分析结果提出感知校准的类间自适应阈值化和类间自适应过采样。我们提出的CAFS在基础PASCAL VOC 2012数据集的完整数据划分上以及Cityscapes数据集的1/4数据划分上分别以83.0%和80.4%的显著优势达到了最先进（SOTA）性能。代码见https://github.com/cjf8899/CAFS。
引用
@article{arxiv.2303.11606,
title = {CAFS: Class Adaptive Framework for Semi-Supervised Semantic Segmentation},
author = {Jingi Ju and Hyeoncheol Noh and Yooseung Wang and Minseok Seo and Dong-Geol Choi},
journal= {arXiv preprint arXiv:2303.11606},
year = {2023}
}
备注
13 pages, 9 figures