不一致掩码：利用模型分歧实现稳定的半监督分割
计算机视觉与模式识别
2026-01-27 v3
摘要
半监督学习（SSL）用于分割的一个主要挑战是来自噪声伪标签的确认偏差，这会破坏训练稳定性并降低性能。我们提出了不一致掩码（IM）框架，该框架将模型分歧重新定义为识别不确定性的有价值信号，而不是需要平均掉的噪声。IM 利用一组教师模型生成一个掩码，明确描绘出预测存在分歧的区域。通过从输入-伪标签对中过滤掉这些不一致区域，我们的方法有效地减轻了连续和迭代自训练范式中常见的错误传播循环。在 Cityscapes 基准上的大量实验证明了 IM 作为一个通用增强框架的有效性：当与 iMAS、UPL 和 UniMatch 等领先方法结合时，我们的方法持续提升准确性，在 ResNet-50 和 DINOv2 骨干网络上取得了优越的基准，甚至改进了像 SegKC 这样的蒸馏架构。此外，该方法的鲁棒性在预训练权重不可用的资源受限场景中得到了证实。在三个完全从头开始训练的来自医学和水下领域的额外多样化数据集上，IM 显著优于标准 SSL 基线。值得注意的是，IM 框架与数据集无关，通过对离散化预测进行操作，无缝处理二分类、多分类和复杂的多标签任务。通过优先考虑训练稳定性，IM 为半监督分割提供了一种通用且鲁棒的解决方案，特别是在缺乏大规模预训练数据的专业领域。完整代码可在以下地址获取：https://github.com/MichaelVorndran/InconsistencyMasks
引用
@article{arxiv.2401.14387,
title = {Inconsistency Masks: Harnessing Model Disagreement for Stable Semi-Supervised Segmentation},
author = {Michael R. H. Vorndran and Bernhard F. Roeck},
journal= {arXiv preprint arXiv:2401.14387},
year = {2026}
}