用于弱监督语义分割的随机游走标签传播学习
计算机视觉与模式识别
2018-02-05 v1
摘要
相对于其他视觉任务，语义分割的大规模训练因获取该任务训练数据代价高昂而具挑战性。我们提出一种新颖训练方法来应对此困难：给定廉价获得的稀疏图像标注，我们将稀疏标签传播以产生推测的稠密标注，并训练标准基于 CNN 的分割网络去模仿这些标注。标签传播过程通过随机游走命中概率定义，从而导出可微分参数化及不确定性估计，并纳入我们的损失中。我们表明，通过联合学习标签传播器与分割预测器，可在无直接边缘监督下有效学习语义边缘。实验还显示，以此方式训练分割网络优于朴素方法。
引用
@article{arxiv.1802.00470,
title = {Learning random-walk label propagation for weakly-supervised semantic segmentation},
author = {Paul Vernaza and Manmohan Chandraker},
journal= {arXiv preprint arXiv:1802.00470},
year = {2018}
}
备注
This is a revised version of a paper presented at CVPR 2017 that corrects some equations. See footnotes