噪声边界：半监督实例分割的柠檬还是柠檬水？
计算机视觉与模式识别
2022-03-28 v1
摘要
当前的实例分割方法严重依赖像素级标注图像。获取此类全标注图像的巨大成本限制了数据集规模并制约了性能。在本文中，我们正式探讨半监督实例分割，即利用未标注图像来提升性能。我们通过分配像素级伪标签构建了一个半监督实例分割框架。在此框架下，我们指出与伪标签相关的噪声边界是双刃剑。我们提出以统一的方式同时利用和抵抗它们：1）为对抗噪声边界的负面影响，我们通过利用低分辨率特征提出了一种噪声容忍的掩码头。2）为增强其正面影响，我们引入了一种边界保持图，用于学习边界相关区域内的详细信息。我们通过大量实验评估了我们的方法。其表现异常出色，大幅优于有监督基线，在 Cityscapes 上超过 6%，在 COCO 上超过 7%，在 BDD100k 上超过 4.5%。在 Cityscapes 上，我们的方法仅利用 30% 的标注图像就取得了可比的性能。
引用
@article{arxiv.2203.13427,
title = {Noisy Boundaries: Lemon or Lemonade for Semi-supervised Instance Segmentation?},
author = {Zhenyu Wang and Yali Li and Shengjin Wang},
journal= {arXiv preprint arXiv:2203.13427},
year = {2022}
}
备注
Accepted by CVPR2022