ConsInstancy：面向混凝土骨料颗粒半监督全景分割的实例表示学习
计算机视觉与模式识别
2022-07-06 v1
摘要
我们提出一种基于 ConsInstancy 正则化的半监督全景分割方法，这是一种新颖的半监督学习策略。它通过在训练期间强制预测实例表示与语义分割之间的一致性来利用完全无标签数据，从而提升分割性能。为此，我们还提出了可由全卷积网络（FCN）一次简单前向传播预测的新的实例表示类型，提供了便捷且易训练的全景分割框架。更具体地，我们提出预测三维实例方向图作为中间表示，以及两个互补的距离变换图作为最终表示，为全景分割提供唯一的实例表示。我们在两个具挑战性的硬化与新鲜混凝土数据集上测试了该方法，后者由本文作者提出，证明了我们方法的有效性，其优于最先进半监督分割方法的结果。特别地，我们能够表明，通过在半监督方法中利用完全无标签数据，相较于仅使用有标签数据的完全监督训练，所达到的总体准确率（OA）提升高达 5\%。此外，我们超越最先进半监督方法所达 OA 至多 1.5\%。
引用
@article{arxiv.2204.04635,
title = {ConsInstancy: Learning Instance Representations for Semi-Supervised Panoptic Segmentation of Concrete Aggregate Particles},
author = {Max Coenen and Tobias Schack and Dries Beyer and Christian Heipke and Michael Haist},
journal= {arXiv preprint arXiv:2204.04635},
year = {2022}
}