面向弱监督语义分割的非显著区域目标挖掘
计算机视觉与模式识别
2021-03-29 v1
摘要
语义分割旨在对输入图像的每个像素进行分类。考虑到获取密集标签的困难，研究人员最近求助于弱标签以减轻分割的标注负担。然而，现有工作主要集中在图像显著区域内扩展伪标签的种子。在这项工作中，我们提出了一种面向弱监督语义分割的非显著区域目标挖掘方法。我们引入了一个基于图的全局推理单元，以增强分类网络捕捉不相交和远距离区域之间全局关系的能力。这有助于网络激活显著区域之外的目标特征。为了进一步挖掘非显著区域目标，我们提出发挥分割网络的自纠正能力。具体而言，提出了一个潜在目标挖掘模块以降低伪标签中的假阴性率。此外，我们针对复杂图像提出了非显著区域掩码模块以生成掩码伪标签。我们的非显著区域掩码模块有助于进一步发现非显著区域中的目标。在 PASCAL VOC 数据集上的大量实验表明，与现有方法相比取得了最先进的结果。
引用
@article{arxiv.2103.14581,
title = {Non-Salient Region Object Mining for Weakly Supervised Semantic Segmentation},
author = {Yazhou Yao and Tao Chen and Guosen Xie and Chuanyi Zhang and Fumin Shen and Qi Wu and Zhenmin Tang and Jian Zhang},
journal= {arXiv preprint arXiv:2103.14581},
year = {2021}
}
备注
accepted by IEEE Conference on Computer Vision and Pattern Recognition, 2021