重新审视 CycleGAN 用于半监督分割
计算机视觉与模式识别
2019-09-02 v1
摘要
在这项工作中，我们研究仅使用部分标注图像训练深度网络进行语义图像分割的问题，这可显著减少人工标注工作量。特别地，我们提出一种策略，在半监督分割中利用 CycleGAN 的非配对图像风格迁移能力。与近期使用对抗学习进行半监督分割的工作不同，我们强制循环一致性以学习非配对图像与分割掩码之间的双向映射。这增加了一种无监督正则化效应，在标注数据有限时提升分割性能。在三个不同公开分割基准（PASCAL VOC 2012、Cityscapes 和 ACDC）上的实验证明了所提方法的有效性。所提模型相对于基线取得 2-4% 的提升，并优于该任务的近期方法，尤其在低标注数据情形下。
引用
@article{arxiv.1908.11569,
title = {Revisiting CycleGAN for semi-supervised segmentation},
author = {Arnab Kumar Mondal and Aniket Agarwal and Jose Dolz and Christian Desrosiers},
journal= {arXiv preprint arXiv:1908.11569},
year = {2019}
}