PrevMatch：重新审视并最大化半监督语义分割中的时序知识
计算机视觉与模式识别
2026-01-06 v2
摘要
在半监督语义分割中，采用基于Mean Teacher和协同训练的方法来缓解确认偏差和耦合问题。然而，尽管这些方法性能很高，但它们通常涉及复杂的训练流程和大量的计算负担，限制了这些方法的可扩展性和兼容性。在本文中，我们提出了PrevMatch框架，该框架通过最大化利用训练过程中获得的时序知识来有效缓解上述限制。PrevMatch框架依赖于两个核心策略：(1) 我们重新考虑了时序知识的利用，因此直接利用训练过程中获得的先前模型来生成额外的伪标签指导，称为先前指导。(2) 我们设计了一种高度随机化的集成策略，以最大化先前指导的有效性。PrevMatch是一种简单而有效的即插即用方法，可以以最小的计算开销无缝集成到现有的半监督学习框架中。在三个基准语义分割数据集上的实验结果表明，将PrevMatch集成到现有方法中显著提升了其性能。此外，我们的分析表明，PrevMatch有助于在训练过程中实现稳定优化，从而提升泛化性能。
引用
@article{arxiv.2405.20610,
title = {PrevMatch: Revisiting and Maximizing Temporal Knowledge in Semi-Supervised Semantic Segmentation},
author = {Wooseok Shin and Hyun Joon Park and Jin Sob Kim and Juan Yun and Se Hong Park and Sung Won Han},
journal= {arXiv preprint arXiv:2405.20610},
year = {2026}
}
备注
To appear in WACV 2026. Code: https://github.com/wooseok-shin/PrevMatch