用于半监督语义分割的扰动与严格均值教师模型
计算机视觉与模式识别
2022-03-29 v3
摘要
利用输入图像、特征或网络扰动的一致性学习在半监督语义分割中已显示出显著成果，但这种方法可能受到未标注训练图像不准确预测的严重影响。这些不准确预测带来两个后果：1）基于“严格”交叉熵（CE）损失的训练容易过拟合预测错误，导致确认偏差；2）应用于这些不准确预测的扰动将使用潜在的错误预测作为训练信号，从而降低一致性学习的质量。在本文中，我们通过均值教师（MT）模型的新颖扩展来解决一致性学习方法的预测准确性问题，这些扩展包括一个新的辅助教师，以及用更严格的置信度加权交叉熵（Conf-CE）损失替换 MT 的均方误差（MSE）。该模型的准确预测使我们能够使用网络、输入数据和特征扰动的挑战性组合来改善一致性学习的泛化能力，其中特征扰动包含一种新的对抗性扰动。在公开基准上的结果表明，我们的方法相比该领域先前的最优方法取得了显著提升。我们的代码可在 https://github.com/yyliu01/PS-MT 获取。
引用
@article{arxiv.2111.12903,
title = {Perturbed and Strict Mean Teachers for Semi-supervised Semantic Segmentation},
author = {Yuyuan Liu and Yu Tian and Yuanhong Chen and Fengbei Liu and Vasileios Belagiannis and Gustavo Carneiro},
journal= {arXiv preprint arXiv:2111.12903},
year = {2022}
}
备注
CVPR 2022 camera-ready