基于双教师语义分割框架的迭代全局-局部特征学习
计算机视觉与模式识别
2025-05-27 v2 人工智能
摘要
半监督语义分割（SSSS）旨在通过利用小量标记图像以及较大规模的无标记数据来提高分割精度。近期研究主要聚焦于伪标签化、一致性正则化和协训练策略。然而，现有方法在全局语义表征与细粒度局部特征提取之间存在平衡难题。为此，我们提出一种新型三分支半监督分割框架，采用双教师策略，命名为IGL-DT。该方法采用SwinUnet通过全局上下文学习获得高层语义指导，同时使用ResUnet通过局部区域学习实现细节特征细化。此外，一种不一致学习机制缓解了对单一教师的过度依赖，促进了自适应特征学习。在基准数据集上的大量实验表明，我们的方法在各种数据 regimes 下均优于当前最先进的方法，实现了卓越的分割性能。
引用
@article{arxiv.2504.09797,
title = {IGL-DT: Iterative Global-Local Feature Learning with Dual-Teacher Semantic Segmentation Framework under Limited Annotation Scheme},
author = {Dinh Dai Quan Tran and Hoang-Thien Nguyen and Thanh-Huy Nguyen and Gia-Van To and Tien-Huy Nguyen and Quan Nguyen},
journal= {arXiv preprint arXiv:2504.09797},
year = {2025}
}
备注
10 pages, 5 figures