用于半监督实例分割的引导蒸馏
计算机视觉与模式识别
2023-12-15 v2 人工智能
机器学习
摘要
尽管实例分割方法已有显著改进，但其主导范式依赖于完全标注的训练图像，而这类图像获取繁琐。为缓解这种依赖并提升结果，半监督方法利用未标注数据作为额外的训练信号，限制对标注样本的过拟合。在此背景下，我们提出了新的设计选择以显著改进教师-学生蒸馏模型。具体而言，我们 (i) 通过引入新颖的“引导预热（guided burn-in）”阶段改进蒸馏方法，以及 (ii) 评估不同的实例分割架构，以及骨干网络和预训练策略。与之前仅在学生模型预热期使用监督数据的工作不同，我们还利用教师模型的引导在预热期挖掘未标注数据。我们改进的蒸馏方法相较先前最先进（SOTA）结果带来大幅提升。例如，在 Cityscapes 数据集上，当使用 10% 图像的标注时，我们将 mask-AP 从 23.7 提升至 33.9；在 COCO 数据集上，当仅使用 1% 训练数据的标注时，我们将 mask-AP 从 18.3 提升至 34.1。
引用
@article{arxiv.2308.02668,
title = {Guided Distillation for Semi-Supervised Instance Segmentation},
author = {Tariq Berrada and Camille Couprie and Karteek Alahari and Jakob Verbeek},
journal= {arXiv preprint arXiv:2308.02668},
year = {2023}
}
备注
Accepted at the 2024 IEEE/CVF Winter Conference on Applications of Computer Vision (WACV 2024)