利用先验网络知识进行弱监督语义分割的学习
计算机视觉与模式识别
2019-02-25 v2
摘要
训练用于语义分割的卷积神经网络（CNN）通常需要收集大量精确的像素级标注，这是一项困难且昂贵的任务。相比之下，简单的图像标签更易获取。本文中，我们引入一种新颖的弱监督语义分割模型，能够且仅能利用图像标签进行学习。我们的模型使用为图像识别训练的网络先验知识，将这些图像标注作为注意力机制来识别图像中的语义区域。随后我们提出一种方法，从这些区域构建准确的类特定分割掩码，无需外部对象性 nor 显著性算法。我们描述了如何将此种掩码生成策略整合进完全端到端可训练的流程，使网络联合学习分类与分割图像。在 PASCAL VOC 2012 数据集上的实验表明，将生成的类特定掩码与我们的新颖端到端学习过程结合使用，优于若干仅使用图像标签的近期弱监督语义分割方法，甚至优于一些利用额外监督或训练数据的模型。
引用
@article{arxiv.1804.04882,
title = {Learning to Exploit the Prior Network Knowledge for Weakly-Supervised Semantic Segmentation},
author = {Carolina Redondo-Cabrera and Marcos Baptista-Ríos and Roberto J. López-Sastre},
journal= {arXiv preprint arXiv:1804.04882},
year = {2019}
}