面向半监督实例分割的伪标签对齐
计算机视觉与模式识别
2023-08-11 v1
摘要
伪标签生成对于半监督实例分割至关重要，其从未标注图像中生成实例掩码与类别用于后续训练。然而，在现有流程中，包含有价值信息的伪标签可能因类别与掩码质量不匹配而被直接过滤。为解决此问题，本文提出一种称为伪标签对齐实例分割（PAIS）的新框架。在PAIS中，我们设计了一种动态对齐损失（DALoss），其根据变化的类别与掩码得分对调整半监督损失项的权重。通过在COCO和Cityscapes数据集上开展的广泛实验，我们证明PAIS是一种有前景的半监督实例分割框架，尤其在标注数据极度受限的情况下。值得注意的是，仅使用1%标注数据，PAIS在COCO数据集上基于Mask-RCNN达到21.2 mAP、基于K-Net达到19.9 mAP，优于当前最先进模型（即NoisyBoundary，7.7 mAP）超过12个点。代码见：\url{https://github.com/hujiecpp/PAIS}。
引用
@article{arxiv.2308.05359,
title = {Pseudo-label Alignment for Semi-supervised Instance Segmentation},
author = {Jie Hu and Chen Chen and Liujuan Cao and Shengchuan Zhang and Annan Shu and Guannan Jiang and Rongrong Ji},
journal= {arXiv preprint arXiv:2308.05359},
year = {2023}
}
备注
ICCV 2023