精度即所需：面向弱监督语义分割的精度感知集成
计算机视觉与模式识别
2024-07-01 v1 人工智能
摘要
弱监督语义分割（WSSS）采用弱监督信号（如图像级标签）训练分割模型。尽管近期 WSSS 方法取得了令人印象深刻的成就，但我们发现引入高平均交并比（mIoU）的弱标签并不保证高的分割性能。现有研究强调优先考虑精度并减少噪声以提高整体性能。为此，我们提出 ORANDNet，一种针对 WSSS 的高级集成方法。ORANDNet 将来自两个不同分类器的类别激活图（CAM）组合，以提高伪掩码（PM）的精度。为进一步缓解 PM 中的小噪声，我们采用课程学习方法，即先训练小尺寸图像及其对应的 PM，对，然后逐渐过渡到原始尺寸的配对。通过组合 ResNet-50 和 ViT 的原始 CAM，我们显著优于单一最佳模型和朴素集成模型。我们进一步将集成方法扩展到来自 AMN（ResNet 类）和 MCTformer（ViT 类）模型的 CAM，实现了对先进 WSSS 模型的性能提升。这凸显了 ORANDNet 作为 WSSS 模型最终添加模块的潜力。
引用
@article{arxiv.2406.19638,
title = {Precision matters: Precision-aware ensemble for weakly supervised semantic segmentation},
author = {Junsung Park and Hyunjung Shim},
journal= {arXiv preprint arXiv:2406.19638},
year = {2024}
}
备注
5 pages, 5 figures, accepted in AAAI 2024 Edge Intelligence Workshop