渐进式代理锚传递：用于无监督语义分割的方法

语义分割的标记工作量大，推动了无监督语义分割的兴起。最近的研究利用基于图像级自监督预训练模型特征的patch级对比学习。然而，仅依赖图像级预训练模型基于相似性的监督，往往会因patch级语义表征不足而导致指引不可靠。为此，我们提出了渐进式代理锚传递（Progressive Proxy Anchor Propagation, PPAP）策略。该方法通过将代理锚迁移至密集分布相似样本的区域，从而逐步识别每个锚点更可信的正样本。具体而言，我们最初建立紧密边界，以收集锚点周围少量可靠的正样本。随后，考虑到正样本的分布，我们将代理锚迁移至正样本浓度更高的区域，并根据代理锚的传播程度调整正向性边界。此外，为考虑正负样本在正向性边界附近可能共存的模糊区域，我们引入了基于实例的模糊区。位于这些模糊区内的样本被排除在负样本集合之外，从而进一步提高了负样本集合的可靠性。我们在多个数据集上实现了最先进的性能，验证了所提方法在无监督语义分割中的有效性。