MARS：面向弱监督语义分割的模型无关无额外监督偏置目标去除方法
计算机视觉与模式识别
2023-04-21 v1 人工智能
摘要
弱监督语义分割旨在利用图像级类别标签等弱监督训练语义分割模型以降低标注成本。然而，多数方法难以生成准确的定位图，且在类相关背景（即偏置目标，如将铁路与火车类一并检测）中存在误预测。近期去除偏置目标的方法需额外监督，以人工识别各问题类的偏置目标并通过检视预测收集其数据集，这限制了其在具多标签与复杂偏置关系的真实数据集上的适用性。基于“偏置特征可通过在同一数据集中将偏置目标与背景匹配而分离消除”的首个观察，我们提出一种全自动/模型无关的偏置去除框架 MARS（Model-Agnostic biased object Removal without additional Supervision，无额外监督的模型无关偏置目标去除），其利用无监督技术的语义一致特征消除伪标签中的偏置目标。令人惊讶的是，我们表明 MARS 在 PASCAL VOC 2012（val: 77.7%，test: 77.2%）与 MS COCO 2014（val: 49.4%）两个流行基准上取得了新的最优（SOTA）结果，在各式 WSSS 模型上无需额外监督即稳定提升至少 30% 性能。
引用
@article{arxiv.2304.09913,
title = {MARS: Model-agnostic Biased Object Removal without Additional Supervision for Weakly-Supervised Semantic Segmentation},
author = {Sanghyun Jo and In-Jae Yu and Kyungsu Kim},
journal= {arXiv preprint arXiv:2304.09913},
year = {2023}
}