从像素级标签噪声中学习：半监督语义分割的新视角
计算机视觉与模式识别
2022-01-12 v1
摘要
本文通过利用一小部分带像素级标注（强监督）的图像和一大组仅带图像级标注（弱监督）的图像来解决半监督语义分割问题。大多数现有方法旨在从弱监督中生成准确的像素级标签。然而，我们观察到那些生成的标签仍不可避免地含有噪声标签。受此观察启发，我们提出一种新视角，并将该任务表述为带像素级标签噪声的学习问题。尽管如此，现有的噪声标签方法主要针对图像级任务，无法捕捉一幅图像中相邻标签间的关系。因此，我们提出一种基于图的标签噪声检测与纠正框架来处理像素级噪声标签。具体而言，对于通过类激活图（CAM）由弱监督生成的像素级噪声标签，我们用强监督训练一个干净的分割模型，依据交叉熵损失从这些噪声标签中检测干净标签。然后，我们采用基于超像素的图来表示一幅图像中像素间的空间邻接与语义相似关系。最后，我们利用由检测出的干净标签监督的图注意力网络（GAT）纠正噪声标签。我们在 PASCAL VOC 2012、PASCAL-Context 和 MS-COCO 数据集上进行了全面实验。实验结果表明，我们提出的半监督方法取得了最先进的性能，并且在某些情况下在 PASCAL VOC 2012 和 MS-COCO 数据集上甚至优于全监督模型。
引用
@article{arxiv.2103.14242,
title = {Learning from Pixel-Level Label Noise: A New Perspective for Semi-Supervised Semantic Segmentation},
author = {Rumeng Yi and Yaping Huang and Qingji Guan and Mengyang Pu and Runsheng Zhang},
journal= {arXiv preprint arXiv:2103.14242},
year = {2022}
}