L2G：一种用于弱监督语义分割的简捷局部到全局知识迁移框架
计算机视觉与模式识别
2022-04-08 v1
摘要
挖掘精确的类别感知注意力图（即类激活图）对于弱监督语义分割至关重要。本文中，我们提出L2G，一种用于高质量目标注意力挖掘的简捷在线局部到全局知识迁移框架。我们观察到，当用局部图像块替换输入图像时，分类模型能发现更具细节的目标区域。考虑到这一点，我们首先利用局部分类网络从输入图像随机裁剪的多个局部块中提取注意力。然后，我们利用全局网络在线学习多个局部注意力图之间的互补注意力知识。我们的框架引导全局网络从全局视角学习所捕获的丰富目标细节知识，从而产生可直接用作语义分割网络伪标注的高质量注意力图。实验表明，我们的方法在PASCAL VOC 2012和MS COCO 2014的验证集上分别取得72.1%和44.2%的mIoU分数，刷新了当前最优记录。代码见https://github.com/PengtaoJiang/L2G。
引用
@article{arxiv.2204.03206,
title = {L2G: A Simple Local-to-Global Knowledge Transfer Framework for Weakly Supervised Semantic Segmentation},
author = {Peng-Tao Jiang and Yuqi Yang and Qibin Hou and Yunchao Wei},
journal= {arXiv preprint arXiv:2204.03206},
year = {2022}
}
备注
Accepted at CVPR 2022