PCAMs：基于点监督的弱监督语义分割
计算机视觉与模式识别
2020-07-14 v1
摘要
当前生成语义分割的最优方法严重依赖于大量每张像素均被标注为目标类别或背景的图像。获取此类标注——尤其在需要专家标注的领域——代价高昂，耗费大量时间与资金。若干方法已表明我们可从成本更低的图像级标注学习语义分割，但点级标注（全像素标注与无标注之间的一种合理折中）的有效性仍很大程度上未被探索。本文提出一种新颖流程，基于部分点级标注从图像生成语义分割。该方法在点标注下训练卷积神经网络（CNN）以产生改进的定位与类激活图。随后，我们使用另一个CNN预测语义亲和性，以传播粗略类别标签并创建伪语义分割标签。最后，我们提出使用伪标签替代真实标签来训练通常全监督的CNN，这进一步提升了性能，并通过推理时仅需一个而非两个CNN简化了推理过程。我们的方法在PASCAL VOC 2012数据集上取得了点监督语义分割的最优结果，甚至优于更强边界框与曲线监督下的最优方法。
引用
@article{arxiv.2007.05615,
title = {PCAMs: Weakly Supervised Semantic Segmentation Using Point Supervision},
author = {R. Austin McEver and B. S. Manjunath},
journal= {arXiv preprint arXiv:2007.05615},
year = {2020}
}