GuidedMix-Net：以标注图像为参考的半监督语义分割
计算机视觉与模式识别
2021-12-30 v1
摘要
半监督学习是一个具有挑战性的问题，旨在从有限的标注样本中构建模型。该任务的众多方法侧重于仅利用未标注实例预测的一致性来正则化网络。然而，将标注与未标注数据分开处理常导致从标注样本中学到的大量先验知识被丢弃。本文中，我们提出一种名为 GuidedMix-Net 的半监督语义分割新方法，通过利用标注信息来引导未标注实例的学习。具体而言，GuidedMix-Net 采用三种操作：1）相似标注—未标注图像对的插值；2）互信息迁移；3）伪掩码泛化。它使分割模型能够通过将知识从标注样本迁移至未标注数据，学习到更高质量的未标注数据伪掩码。结合对标注数据的监督学习，未标注数据的预测与来自混合数据的生成伪掩码联合学习。在 PASCAL VOC 2012 和 Cityscapes 上的大量实验证明了我们的 GuidedMix-Net 的有效性，其取得了有竞争力的分割精度，并相较先前方法将 mIoU 显著提升 +7。
引用
@article{arxiv.2112.14015,
title = {GuidedMix-Net: Semi-supervised Semantic Segmentation by Using Labeled Images as Reference},
author = {Peng Tu and Yawen Huang and Feng Zheng and Zhenyu He and Liujun Cao and Ling Shao},
journal= {arXiv preprint arXiv:2112.14015},
year = {2021}
}
备注
Accepted by AAAI'22. arXiv admin note: substantial text overlap with arXiv:2106.15064