大规模无监督语义分割
计算机视觉与模式识别
2022-11-04 v3
摘要
得益于 ImageNet 等大规模数据集，大规模数据的无监督学习在分类任务上取得了显著进展。然而，大规模无监督语义分割是否能够实现仍属未知。存在两大挑战：i）我们需要一个大规模基准来评估算法；ii）我们需要开发以无监督方式同时学习类别与形状表示的方法。本工作中，我们提出了大规模无监督语义分割（LUSS）这一新问题，并构建了新创建的基准数据集以推动研究进展。基于 ImageNet 数据集，我们提出了 ImageNet-S 数据集，包含 120 万张训练图像与 5 万张用于评估的高质量语义分割标注。我们的基准具有高数据多样性和明确的任务目标。我们还提出了一种简单却有效的方法，其在 LUSS 上表现惊人地好。此外，我们相应地基准测试了相关的无监督/弱监督/全监督方法，明确了 LUSS 的挑战与可能方向。该基准与源代码已公开于 https://github.com/LUSSeg。
关键词
引用
@article{arxiv.2106.03149,
title = {Large-scale Unsupervised Semantic Segmentation},
author = {Shanghua Gao and Zhong-Yu Li and Ming-Hsuan Yang and Ming-Ming Cheng and Junwei Han and Philip Torr},
journal= {arXiv preprint arXiv:2106.03149},
year = {2022}
}
备注
Benchmark and Source Code: https://github.com/LUSSeg