Points2Polygons：基于上下文的弱标签对抗网络分割
计算机视觉与模式识别
2021-06-08 v1
摘要
在应用图像分割任务中，提供大量精确标签的能力对推理时模型的准确性至关重要。然而，这一开销常被忽视，且近期提出的分割架构严重依赖真实标签的可用性与保真度以实现最优精度。未能认识到创建充分真实标签的困难会导致对预训练模型的过度依赖或在现实应用中缺乏采纳。我们引入 Points2Polygons（P2P），一种利用上下文度量学习技术直接解决该问题的模型。尽管使用轻量分割模型（带 ResNet18 主干的 U-Net）且仅能获取物体质心形式的弱标签且无预训练，Points2Polygons 在训练数据有限时仍优于现有全监督分割基线。我们在几个不同但非平凡的小数据集上展示了这一点。我们表明，使用上下文数据的度量学习为自监督任务提供了关键洞见，并使分割模型能轻易泛化至计算机视觉中传统上标签密集的领域。
引用
@article{arxiv.2106.02804,
title = {Points2Polygons: Context-Based Segmentation from Weak Labels Using Adversarial Networks},
author = {Kuai Yu and Hakeem Frank and Daniel Wilson},
journal= {arXiv preprint arXiv:2106.02804},
year = {2021}
}
备注
Submitted to NeurIPS 2021