弱监督语义分割的端到端对抗擦除方法
统计力学
2021-12-15 v4 数学物理
math.MP
生物物理
摘要
语义分割是一项传统上需要大量像素级真值标签数据集的任务，这类标签获取耗时且昂贵。弱监督设定下的近期进展表明，仅使用图像级标签即可获得合理的性能。分类常被用作代理任务来训练深度神经网络，并从中提取注意力图。然而，分类任务仅需最少证据即可做出预测，因此其聚焦于最具判别性的物体区域。为克服该问题，我们提出了一种注意力图对抗擦除的新形式。与先前的对抗擦除方法不同，我们优化两个具有相反损失函数的网络，从而消除了某些次优策略的需求；例如，具有多个使训练过程复杂化的训练步骤，或在不同分布上运行的网络之间共享权重（这可能不利于性能）。所提方案不需要显著性掩码，而是使用正则化损失来防止注意力图扩散至判别性较弱的物体区域。我们在 Pascal VOC 数据集上的实验表明，与基线相比，我们的对抗方法将分割性能提升了 2.1 mIoU，与先前对抗擦除方法相比提升了 1.0 mIoU。
引用
@article{arxiv.2011.04628,
title = {Emergent memory and kinetic hysteresis in strongly driven networks},
author = {David Hartich and Aljaž Godec},
journal= {arXiv preprint arXiv:2011.04628},
year = {2021}
}
备注
49 pages, 23 figures (main text 15 pages; Appendices 23 pages; SM 11 pages); old Appendices D-F became new Supplementary material, version accepted in Phys. Rev. X