重新审视半监督语义分割中的弱到强一致性
计算机视觉与模式识别
2023-03-28 v2
摘要
本工作中，我们重新审视由 FixMatch 从半监督分类中推广的弱到强一致性框架，其中弱扰动图像的预测作为其强扰动版本的监督。有趣的是，我们观察到当迁移到我们的分割场景时，这样简单的流程已能取得与近期先进工作相竞争的结果。然而，其成功严重依赖于强数据增强的手动设计，这可能受限且不足以探索更广阔的扰动空间。受此启发，我们提出一条辅助特征扰动流作为补充，从而扩展扰动空间。另一方面，为充分探究原始图像级增强，我们提出双流扰动技术，使两个强视图能同时由一个公共弱视图引导。因此，我们整体的统一双流扰动方法（UniMatch）在 Pascal、Cityscapes 和 COCO 基准的所有评估协议上显著超越所有现有方法。其优越性在遥感解译与医学图像分析中亦得到展示。我们希望复现的 FixMatch 与我们的结果能启发更多未来工作。代码与日志见 https://github.com/LiheYoung/UniMatch。
引用
@article{arxiv.2208.09910,
title = {Revisiting Weak-to-Strong Consistency in Semi-Supervised Semantic Segmentation},
author = {Lihe Yang and Lei Qi and Litong Feng and Wayne Zhang and Yinghuan Shi},
journal= {arXiv preprint arXiv:2208.09910},
year = {2023}
}
备注
Accepted by CVPR 2023. Code and logs: https://github.com/LiheYoung/UniMatch