基于一致性正则化区域生长网络的城市场景点级标注语义分割
计算机视觉与模式识别
2022-09-07 v2
摘要
深度学习算法在超高分辨率（VHR）图像的语义分割中取得了巨大成功。然而，训练这些模型通常需要大量精确的像素级标注，其收集过程非常费力且耗时。为了减轻标注负担，本文提出了一种一致性正则化区域生长网络（CRGNet），以利用点级标注实现 VHR 图像的语义分割。CRGNet 的核心思想是迭代选取高置信度的未标注像素，从原始稀疏点扩展已标注区域。然而，由于扩展标注中可能存在一些误差和噪声，直接从中学习可能会误导网络的训练。为此，我们进一步提出了一致性正则化策略，其中采用了基分类器和扩展分类器。具体而言，基分类器由原始稀疏标注监督，而扩展分类器旨在利用区域生长机制从基分类器生成的扩展标注中学习。通过最小化基分类器和扩展分类器预测之间的差异来实现一致性正则化。我们发现这种简单的正则化策略对于控制区域生长机制的质量非常有效。在两个基准数据集上的大量实验表明，所提出的 CRGNet 显著优于现有的最先进方法。代码和预训练模型已在线提供（https://github.com/YonghaoXu/CRGNet）。
引用
@article{arxiv.2202.03740,
title = {Consistency-Regularized Region-Growing Network for Semantic Segmentation of Urban Scenes with Point-Level Annotations},
author = {Yonghao Xu and Pedram Ghamisi},
journal= {arXiv preprint arXiv:2202.03740},
year = {2022}
}