Label-PEnet：面向弱监督实例分割的序列标签传播与增强网络
计算机视觉与模式识别
2020-04-27 v3
摘要
弱监督实例分割旨在仅给定图像级标签的情况下精确检测并分割目标实例。与以往由多个离线阶段组成的方法不同，我们提出序列标签传播与增强网络（简称Label-PEnet），以由粗到精的方式将图像级标签逐步转化为像素级标签。我们设计了四个级联模块，包括多标签分类、目标检测、实例细化与实例分割，它们通过共享同一骨干网络顺序实现。该级联流水线采用课程学习策略交替训练，使标签从高层图像逐渐以递增的精度推广至低层像素。此外，我们设计了一个提议校准模块，以挖掘分类网络发现标识目标部件关键像素的能力，其作为以逆序运行的后验验证策略。我们在标准基准PASCAL VOC 2007和2012上评估了Label-PEnet挖掘实例掩码的效率。实验结果表明，Label-PEnet以明显优势超越最先进算法，甚至取得了与全监督方法相当的性能。
引用
@article{arxiv.1910.02624,
title = {Label-PEnet: Sequential Label Propagation and Enhancement Networks for Weakly Supervised Instance Segmentation},
author = {Weifeng Ge and Sheng Guo and Weilin Huang and Matthew R. Scott},
journal= {arXiv preprint arXiv:1910.02624},
year = {2020}
}
备注
Rectifiy some typos in Arxiv title