重新分配半监督语义分割中的有偏伪标签：基线研究
计算机视觉与模式识别
2021-07-27 v2
摘要
尽管自训练推进了半监督语义分割，但它严重受到真实世界语义分割数据集中长尾类别分布的困扰，这使得伪标签数据偏向多数类。在本文中，我们提出了一种简单而有效的分布对齐与随机采样 (DARS) 方法，以生成与从已标记数据估计出的真实类别分布相匹配的无偏伪标签。此外，我们还贡献了一种渐进式数据增强与标记策略，以促进使用伪标签数据的模型训练。在 Cityscapes 和 PASCAL VOC 2012 数据集上的实验证明了我们方法的有效性。尽管简单，我们的方法与最先进的方法相比表现良好。代码将在 https://github.com/CVMI-Lab/DARS 上提供。
引用
@article{arxiv.2107.11279,
title = {Re-distributing Biased Pseudo Labels for Semi-supervised Semantic Segmentation: A Baseline Investigation},
author = {Ruifei He and Jihan Yang and Xiaojuan Qi},
journal= {arXiv preprint arXiv:2107.11279},
year = {2021}
}
备注
ICCV 2021 (oral)