面向弱监督分割的鲁棒信赖域方法

标准语义分割的训练数据获取成本高昂，因为要求每个像素都被标注。然而，当前方法在弱监督设定下（例如仅标注部分像素或仅提供图像级标签）性能显著下降。已有研究表明，正则化损失——最初为无监督低层分割开发并表征像素标签的几何先验——可大幅提升弱监督训练的质量。然而，许多常见先验所需的优化强于梯度下降，因此这类正则化器在深度学习中的适用性有限。我们提出一种用于正则化损失的新型鲁棒信赖域方法，改进了当前最优结果。我们的方法可视为经典链式法则的高阶推广，它允许神经网络优化对相应正则化器（包括离散正则化器）使用强低层求解器。