利用CAM自身：面向弱监督语义分割的互补学习系统
计算机视觉与模式识别
2023-03-07 v1
摘要
基于图像级标签的弱监督语义分割（WSSS）长期受限于类激活图（CAM）导致的碎片化目标区域，其无法生成用于语义分割的细粒度掩码。为引导CAM发现更多非判别性目标模式，本文转向智能体学习中一种称为互补学习系统（CLS）的有趣工作机制。CLS认为新皮层构建通用知识的感知，而海马体专门学习特定细节，从而补全所学模式。受这一简单而有效的学习模式启发，我们提出通用–特定学习机制（GSLM），以显式地将粗粒度CAM驱动为细粒度伪掩码。具体而言，GSLM发展了通用学习模块（GLM）与特定学习模块（SLM）。GLM以图像级监督训练，从CAM中提取粗粒度通用定位表示。基于GLM中的通用知识，SLM从定位表示中逐步挖掘特定空间知识，以显式方式扩展CAM。为此，我们提出种子重激活，通过为激活值设定边界来帮助SLM重激活非判别性区域，从而连续识别CAM更多区域。无需额外细化过程，我们的方法在PASCAL VOC 2012上实现CAM超过20.0% mIoU、在MS COCO 2014上超过10.0% mIoU的突破性提升，代表了现有WSSS方法中的新最优性能。
引用
@article{arxiv.2303.02449,
title = {Exploit CAM by itself: Complementary Learning System for Weakly Supervised Semantic Segmentation},
author = {Jiren Mai and Fei Zhang and Junjie Ye and Marcus Kalander and Xian Zhang and WanKou Yang and Tongliang Liu and Bo Han},
journal= {arXiv preprint arXiv:2303.02449},
year = {2023}
}