基于冲突的跨视图一致性用于半监督语义分割
计算机视觉与模式识别
2023-03-28 v3
摘要
半监督语义分割(SSS)因能减少对大规模全标注训练数据的需求而近期受到越来越多研究关注。现有方法常受伪标注过程中的确认偏差影响,而协同训练框架可缓解该问题。当前基于协同训练的 SSS 方法依赖手工扰动以防止不同子网络相互坍缩,但这些人为扰动无法导向最优解。本工作中,我们提出一种基于双分支协同训练框架的基于冲突的跨视图一致性(CCVC)方法,旨在强制两个子网络从无关视图中学习信息性特征。具体而言,我们首先提出一种新的跨视图一致性(CVC)策略,通过引入特征差异损失鼓励两个子网络从同一输入学习不同特征,同时期望这些不同特征对该输入产生一致的预测分数。CVC 策略有助于防止两个子网络陷入坍缩。此外,我们进一步提出基于冲突的伪标注(CPL)方法,以保证模型从冲突预测中学习更有用信息,从而实现稳定训练过程。我们在 SSS 基准数据集上验证了新 CCVC 方法,其取得了新的 SOTA 性能。我们的代码见 https://github.com/xiaoyao3302/CCVC。
引用
@article{arxiv.2303.01276,
title = {Conflict-Based Cross-View Consistency for Semi-Supervised Semantic Segmentation},
author = {Zicheng Wang and Zhen Zhao and Xiaoxia Xing and Dong Xu and Xiangyu Kong and Luping Zhou},
journal= {arXiv preprint arXiv:2303.01276},
year = {2023}
}
备注
accepted by CVPR2023