用于弱监督语义分割的渐进式特征自强化
计算机视觉与模式识别
2023-12-19 v2
摘要
与采用像素级监督的传统语义分割相比，具有图像级标签的弱监督语义分割（WSSS）面临的挑战是它始终聚焦于最具判别性的区域，导致与全监督条件之间存在差距。典型的表现是目标边界上的精度降低，导致 WSSS 的准确率下降。为缓解此问题，我们提出将图像内容自适应地划分为确定性区域（例如，置信前景和背景）和不确定性区域（例如，目标边界和误分类类别）以分别处理。对于不确定性线索，我们采用基于激活的掩码策略，并寻求利用自蒸馏知识恢复局部信息。我们进一步假设，未被掩码的置信区域应足够稳健以保留全局语义。在此基础上，我们引入了一种互补的自增强方法，以约束这些置信区域与具有相同类别标签的增强图像之间的语义一致性。在 PASCAL VOC 2012 和 MS COCO 2014 上进行的大量实验表明，我们提出的用于 WSSS 的单阶段方法不仅显著优于 state-of-the-art 基准，而且超越了以复杂度换取准确率的多阶段方法。代码可在 \url{https://github.com/Jessie459/feature-self-reinforcement} 找到。
引用
@article{arxiv.2312.08916,
title = {Progressive Feature Self-reinforcement for Weakly Supervised Semantic Segmentation},
author = {Jingxuan He and Lechao Cheng and Chaowei Fang and Zunlei Feng and Tingting Mu and Mingli Song},
journal= {arXiv preprint arXiv:2312.08916},
year = {2023}
}
备注
Accepted by AAAI 2024