DASNet：减少实例与语义分割中的像素级标注
计算机视觉与模式识别
2020-02-03 v2 图像与视频处理
摘要
像素级标注耗费昂贵的人力，并限制了深度网络的性能——而后者通常受益于更多此类训练数据。本工作中，我们旨在利用一小部分像素级掩码标注和大量框标注获得高质量的实例与语义分割结果。基本思路是借助检测模型来简化像素级监督学习任务，从而减少所需的掩码标注数量。我们提出的架构名为 DASNet，由检测、注意力与分割三个模块组成：检测模块检测所有类别的物体，注意力模块生成多尺度类特定特征，分割模块恢复二值掩码。在 PASCAL VOC 2012 数据集上，我们的方法相较现有半监督方法取得了显著更优的性能。
引用
@article{arxiv.1809.06013,
title = {DASNet: Reducing Pixel-level Annotations for Instance and Semantic Segmentation},
author = {Chuang Niu and Shenghan Ren and Jimin Liang},
journal= {arXiv preprint arXiv:1809.06013},
year = {2020}
}