利用局部-全局匹配与区域平衡消除语义分割中的监督
计算机视觉与模式识别
2023-03-31 v1 机器学习
摘要
消除语义分割中的监督仍具挑战。当前方法能处理常见类别模式却依赖多阶段架构。我们设计了一种新颖的端到端模型，利用局部-全局块匹配来预测语义分割的类别、良好定位、区域与物体形状。局部-全局匹配转而由满足区域约束的最优传输规划驱动，逼近精确形状预测的求解。我们的模型在弱监督语义分割（仅图像级标签）上达到最先进水平，在 PascalVOC2012 val 集上 mIoU 为 75%，在 MS-COCO2014 val 集上为 46%。弃用图像级标签并聚类自监督学习特征以产生伪多级标签，我们得到无监督语义分割模型。我们在无监督语义分割上同样达到最先进水平，PascalVOC2012 val 集 mIoU 为 43.6%，MS-COCO2014 val 集为 19.4%。代码见 https://github.com/deepplants/PC2M。
引用
@article{arxiv.2303.17410,
title = {Removing supervision in semantic segmentation with local-global matching and area balancing},
author = {Simone Rossetti and Nico Samà and Fiora Pirri},
journal= {arXiv preprint arXiv:2303.17410},
year = {2023}
}