MetaSeg: 用于全监督语义分割的内容感知元网络
计算机视觉与模式识别
2024-01-23 v1
摘要
从弱对象级标注生成的伪分割标签中不可避免地存在噪声标签，严重阻碍了语义分割的模型优化。以往的工作通常依赖大量手工设计的损失和精心调整的超参数来抵抗噪声，导致泛化能力差和模型复杂度高。受元学习最新进展的启发，我们认为与其被动地容忍隐藏在干净标签背后的噪声，更可行的解决方案是主动找出噪声区域，从而在模型优化过程中简单地忽略它们。基于这一思路，本文提出了一种新颖的基于元学习的语义分割方法 MetaSeg，它包含一个主要的内容感知元网络 (CAM-Net)，作为任意分割模型对应部分的噪声指示器。具体来说，CAM-Net 学习生成逐像素权重，通过利用来自图像内容的混合增强特征来抑制具有错误伪标签的噪声区域，同时突出干净区域，为优化分割模型提供直接可靠的指导。此外，为了打破将元学习应用于常见大型分割模型时训练耗时的障碍，我们进一步提出了一种新的解耦训练策略，以分治的方式优化不同的模型层。在物体、医学、遥感和人体分割上的大量实验表明，我们的方法取得了优越的性能，接近全监督设置的水平，这为全监督语义分割开辟了一条新的有前景的途径。
引用
@article{arxiv.2401.11738,
title = {MetaSeg: Content-Aware Meta-Net for Omni-Supervised Semantic Segmentation},
author = {Shenwang Jiang and Jianan Li and Ying Wang and Wenxuan Wu and Jizhou Zhang and Bo Huang and Tingfa Xu},
journal= {arXiv preprint arXiv:2401.11738},
year = {2024}
}