DPF：基于弱监督学习稠密预测场
计算机视觉与模式识别
2023-03-30 v1
摘要
如今，许多视觉场景理解问题由稠密预测网络解决。但像素级稠密标注非常昂贵（例如用于场景解析）或不可能（例如用于本征图像分解），促使我们利用廉价的点级弱监督。然而，现有的点监督方法仍使用为全监督设计的相同架构。与它们截然不同，我们提出一种受隐式表示（如距离场或辐射场）近期成功启发、为点坐标查询进行预测的新范式。因此，该方法被命名为稠密预测场（DPFs）。DPF 为连续亚像素位置生成富有表现力的中间特征，从而允许任意分辨率的输出。DPF 天然兼容点级监督。我们使用两个本质不同的任务展示 DPF 的有效性：高层语义解析和低层本征图像分解。在这两种情况下，监督分别来自单点语义类别和两点相对反射率。通过在 PASCALContext、ADE20K 和 IIW 三个大规模公开数据集上的基准测试，DPF 在所有数据集上以显著优势确立了新的 SOTA 性能。代码可在 https://github.com/cxx226/DPF 获取。
引用
@article{arxiv.2303.16890,
title = {DPF: Learning Dense Prediction Fields with Weak Supervision},
author = {Xiaoxue Chen and Yuhang Zheng and Yupeng Zheng and Qiang Zhou and Hao Zhao and Guyue Zhou and Ya-Qin Zhang},
journal= {arXiv preprint arXiv:2303.16890},
year = {2023}
}