用于弱监督语义图像分割的门控CRF损失
计算机视觉与模式识别
2019-10-31 v2
摘要
最先进的语义分割方法依赖于在完全标注数据集上训练的深度卷积神经网络，而这类数据集的收集在时间和金钱上都被证明是极其昂贵的。为缓解此问题，弱监督方法利用需要大幅减少标注工作的其他形式监督，但由于这些区域中监督信号的近似性质，它们通常无法预测精确的目标边界。尽管在提升性能方面已取得巨大进展，许多此类弱监督方法都高度定制于其自身的特定设置。这给算法复用和稳步进展带来了挑战。在本文中，我们在处理弱监督语义分割时有意避免此类做法。具体而言，我们对标注像素使用部分交叉熵损失函数训练标准神经网络，对未标注像素使用我们提出的门控CRF损失。门控CRF损失旨在提供几项重要优势：1) 它使核构造具有灵活性，以屏蔽来自不期望像素位置的影响；2) 它将上下文关系的学习卸载给CNN并专注于语义边界；3) 它不依赖高维滤波，因此实现简单。全文我们展示了该损失函数的优势，分析了弱监督训练的若干方面，并表明我们的“纯粹主义”方法在基于点击和基于涂鸦的标注上均达到了最先进的性能。
引用
@article{arxiv.1906.04651,
title = {Gated CRF Loss for Weakly Supervised Semantic Image Segmentation},
author = {Anton Obukhov and Stamatios Georgoulis and Dengxin Dai and Luc Van Gool},
journal= {arXiv preprint arXiv:1906.04651},
year = {2019}
}
备注
A portion of the reported numbers are incorrect, along with a few statements