通过跨架构一致性正则化缓解弱监督语义分割中的虚假关联问题
计算机视觉与模式识别
2025-07-30 v1
摘要
像素级标签的稀缺是实际场景中的重要挑战。在特定领域如工业烟雾中获取此类详细标注尤其困难，常需专家知识。为缓解此问题，弱监督语义分割（Weakly Supervised Semantic Segmentation, WSSS）日益成为一种有前景的解决方案。然而，由于监督差距以及仅使用图像级标签训练的模型固有的偏差，现有WSSS方法在领域应用中存在局限，如前景覆盖不完整、物体边界不准确以及虚假关联问题，尤其在我们领域，排放总是与烟囱空间耦合。以往解决方案通常依赖额外的先验知识或外部信息，但往往缺乏可扩展性，未能根本解决模型对共现上下文的偏差。为此，我们提出一种 novel WSSS 框架，直接针对共现问题构建，无需依赖外部监督。不同于采用单一网络的先前方法，我们采用教师-学生框架结合 CNN 与 ViT。我们引入知识传递损失，通过对齐内部表征来实现跨架构一致性。此外，我们还融入后处理技术，以解决部分覆盖问题并进一步提升伪掩码质量。
引用
@article{arxiv.2507.21959,
title = {Mitigating Spurious Correlations in Weakly Supervised Semantic Segmentation via Cross-architecture Consistency Regularization},
author = {Zheyuan Zhang and Yen-chia Hsu},
journal= {arXiv preprint arXiv:2507.21959},
year = {2025}
}