面向框监督语义分割的类无关伪掩码生成学习
计算机视觉与模式识别
2022-03-03 v2
摘要
近来，若干弱监督学习方法致力于利用边界框监督来训练深度语义分割模型。多数现有方法通常借助通用候选区域生成器（如稠密CRF和MCG）产生增强的分割掩码以进一步训练分割模型。然而，这些候选区域生成器是通用的，并非专为框监督语义分割设计，因此在提升分割性能方面尚存改进空间。本文旨在寻求一种更精确、基于学习且类无关的伪掩码生成器，专为框监督语义分割定制。为此，我们借助一个像素级标注的辅助数据集，其类别标签与框标注数据集不重叠。为从辅助数据集学习伪掩码生成器，我们提出一种双层优化公式。具体而言，下层子问题用于学习框监督语义分割，而上层子问题用于学习最优类无关伪掩码生成器。学习到的伪分割掩码生成器随后可部署于框标注数据集以提升弱监督语义分割。在PASCAL VOC 2012数据集上的实验表明，学习到的伪掩码生成器能有效提升分割性能，且我们的方法可进一步缩小框监督与全监督模型间的性能差距。我们的代码将公开于https://github.com/Vious/LPG_BBox_Segmentation 。
引用
@article{arxiv.2103.05463,
title = {Learning Class-Agnostic Pseudo Mask Generation for Box-Supervised Semantic Segmentation},
author = {Chaohao Xie and Dongwei Ren and Lei Wang and Wangmeng Zuo},
journal= {arXiv preprint arXiv:2103.05463},
year = {2022}
}
备注
11 pages, 6 figures