通过梯度匹配学习标注部件分割

最先进的深度神经网络的成功严重依赖于大规模标注数据集的存在，而标注这些数据集极其昂贵且耗时。本文聚焦于通过用预训练GAN生成高质量图像并用自动标注器标注生成图像来解决半监督部件分割任务。具体而言，我们将标注器学习公式化为学习如何学习（learning-to-learn）问题。给定预训练GAN，标注器学习在一组随机生成的图像中标注物体部件，使得在这些带有预测标签的合成图像上训练的部件分割模型在一小组人工标注图像的验证集上获得低分割误差。我们进一步将该嵌套循环优化问题简化为简单的梯度匹配问题，并用迭代算法高效求解。我们表明我们的方法能从广泛范围的标注图像中学习标注器，包括真实图像、生成图像甚至解析渲染图像。我们的方法在半监督部件分割任务上进行了评估，并在标注样本量极有限时显著优于其他半监督竞争者。