用于半监督语义分割的保守-渐进协同学习
计算机视觉与模式识别
2023-02-20 v2
摘要
伪监督被视为语义分割半监督学习的核心理念，且在仅利用高质量伪标签与利用所有伪标签之间始终存在权衡。针对这一问题，我们提出了一种新颖的学习方法，称为保守-渐进协同学习（CPCL），其中两个预测网络并行训练，并基于两次预测的一致与不一致来实现伪监督。一个网络通过交集监督寻求共同点，并由高质量标签监督以确保更可靠的监督；而另一个网络通过并集监督保留差异，并由所有伪标签监督以保持充满好奇心的探索。由此，可以实现保守演化与渐进探索的协同。为了减少可疑伪标签的影响，根据预测置信度对损失进行动态重新加权。大量实验表明，CPCL 在半监督语义分割中取得了 SOTA 性能。
引用
@article{arxiv.2211.16701,
title = {Conservative-Progressive Collaborative Learning for Semi-supervised Semantic Segmentation},
author = {Siqi Fan and Fenghua Zhu and Zunlei Feng and Yisheng Lv and Mingli Song and Fei-Yue Wang},
journal= {arXiv preprint arXiv:2211.16701},
year = {2023}
}