面向半监督语义分割的模糊正类学习
计算机视觉与模式识别
2022-11-22 v2
摘要
半监督学习（SSL）本质上追求以较少依赖人工标注来探索类别边界。尽管典型尝试侧重于改进不可避免的易错伪标签，我们另辟蹊径，致力于从多个可能正确的候选标签中充分挖掘信息语义。在本文中，我们以即插即用的方式引入模糊正类学习（FPL）用于准确的 SSL 语义分割，旨在自适应地鼓励模糊正类预测并抑制高概率负类。FPL 概念简单但实践有效，可显著缓解错误伪标签的干扰并逐步达成清晰的像素级语义判别。具体地，我们的 FPL 方法包含两个主要组件：模糊正类分配（FPA）为每个像素提供自适应数量的标签，以及模糊正类正则化（FPR）在不同扰动下约束模糊正类类别的预测大于其余类别。在 Cityscapes 和 VOC 2012 上的理论分析与大量实验及一致的性能提升证明了我们方法的优越性。
引用
@article{arxiv.2210.08519,
title = {Fuzzy Positive Learning for Semi-supervised Semantic Segmentation},
author = {Pengchong Qiao and Zhidan Wei and Yu Wang and Zhennan Wang and Guoli Song and Fan Xu and Xiangyang Ji and Chang Liu and Jie Chen},
journal= {arXiv preprint arXiv:2210.08519},
year = {2022}
}