深度边缘对齐损失: 处理弱监督语义分割中的深度
计算机视觉与模式识别
2026-01-16 v2
摘要
用于应用到新领域的自主机器人系统需要大量昂贵的像素级稠密标签才能在完全监督下训练稳健的语义分割模型。本研究提出一种模型无关的深度边缘对齐损失,以提高不同数据集上的弱监督语义分割模型性能。该方法的 methodology 通过图像级监督生成像素级语义标签,避免昂贵的标注过程。虽然弱监督在传统计算机视觉中广泛探索,但本方法添加了来自像素级深度信息的监督，这是机器人系统中常见的模态。我们展示了该方法在数据集和模型之间改进分割性能的效果,但也可以与其他损失函数结合以获得更好性能,在 PASCAL VOC / MS COCO 验证集以及 HOPE static onboarding split 上分别提高了最多 +5.439、+1.274 和 +16.416 个平均交并比。我们的代码已公开发布于 https://github.com/DTU-PAS/DEAL。
引用
@article{arxiv.2509.17702,
title = {Depth Edge Alignment Loss: DEALing with Depth in Weakly Supervised Semantic Segmentation},
author = {Patrick Schmidt and Vasileios Belagiannis and Lazaros Nalpantidis},
journal= {arXiv preprint arXiv:2509.17702},
year = {2026}
}
备注
Submitted to IEEE