用于弱监督 CNN 分割的归一化割损失
计算机视觉与模式识别
2018-04-05 v1
摘要
多数近期语义分割方法训练深度卷积神经网络时使用完全标注的掩码，需要像素级精度以获得良好训练质量。常见的弱监督方法利用标准交互式分割方法作为预处理，从部分输入（如涂鸦或种子）生成完整掩码。但是，此类掩码中的错误会导致训练变差，因为标准损失函数（如交叉熵）不区分种子与可能被误标的其他像素。受半监督学习总体思想的启发，我们通过一个新的基于原则的损失函数解决这些问题，该函数以“浅层”分割中的标准准则（如归一化割）评估网络输出。与先前工作不同，我们损失中的交叉熵部分仅评估已知标签的种子，而归一化割软性地评估所有像素的一致性。我们聚焦于归一化割损失，其中稠密高斯核通过快速双边滤波以线性时间高效实现。我们的归一化割损失分割方法使弱监督训练质量显著接近全监督方法。
引用
@article{arxiv.1804.01346,
title = {Normalized Cut Loss for Weakly-supervised CNN Segmentation},
author = {Meng Tang and Abdelaziz Djelouah and Federico Perazzi and Yuri Boykov and Christopher Schroers},
journal= {arXiv preprint arXiv:1804.01346},
year = {2018}
}
备注
Accepted at CVPR 2018