基于掩码的数据增强用于半监督语义分割
计算机视觉与模式识别
2021-01-26 v1
摘要
使用卷积神经网络（CNN）的语义分割是图像分析中的关键组成部分。训练 CNN 执行语义分割需要大量标注数据，而此类标注数据的制作既昂贵又耗费人力。半监督学习算法通过利用未标注数据来解决此问题，从而减少训练所需的标注数据量。特别地，CutMix 和 ClassMix 等数据增强技术从现有标注数据生成额外的训练数据。本文提出一种称为 ComplexMix 的新的数据增强方法，它结合了 CutMix 和 ClassMix 的方面并提升了性能。所提方法能够控制增强数据的复杂度，同时力求语义正确并解决复杂度与正确性之间的权衡。所提 ComplexMix 方法在语义分割的标准数据集上进行了评估，并与其他最先进的技术进行比较。实验结果表明，我们的方法在标准语义图像分割数据集上优于最先进的方法。
引用
@article{arxiv.2101.10156,
title = {Mask-based Data Augmentation for Semi-supervised Semantic Segmentation},
author = {Ying Chen and Xu Ouyang and Kaiyue Zhu and Gady Agam},
journal= {arXiv preprint arXiv:2101.10156},
year = {2021}
}