ClassMix：用于半监督学习的基于分割的数据增强
计算机视觉与模式识别
2020-12-01 v2
摘要
语义分割的最先进水平在性能上稳步提升，在许多不同应用中实现了更精确可靠的分割。然而，进展受限于生成训练标签的成本，有时单张图像需数小时人工标注。因此，半监督方法已应用于该任务，但成功程度不一。一个关键挑战是，半监督分类中常用的增强对语义分割效果较差。我们提出一种称为 ClassMix 的新型数据增强机制，其通过利用网络预测以尊重物体边界，混合无标签样本来生成增强。我们在两个常用半监督语义分割基准上评估了该增强技术，表明其达到了最先进水平。最后，我们还提供了广泛的消融研究，比较不同设计决策与训练机制。
引用
@article{arxiv.2007.07936,
title = {ClassMix: Segmentation-Based Data Augmentation for Semi-Supervised Learning},
author = {Viktor Olsson and Wilhelm Tranheden and Juliano Pinto and Lennart Svensson},
journal= {arXiv preprint arXiv:2007.07936},
year = {2020}
}
备注
This paper has been accepted to WACV2021