S^4M：利用 SAM 提升半监督实例分割
计算机视觉与模式识别
2025-04-08 v1
摘要
半监督实例分割因标注数据有限导致难以准确定位不同的对象实例。当前教师-学生框架仍因标注数据有限导致伪标签质量不可靠而受限。虽然 Segment Anything Model（SAM）在各种细粒度分割方面提供了稳健的分割能力，但直接将 SAM 应用于此任务会引入类别无关预测和潜在过分割等挑战。为解决这些复杂问题，我们仔细地将 SAM 集成到半监督实例分割框架中，开发出一种有效捕获 SAM 精确定位能力的蒸馏方法，同时不损害语义识别。此外，我们引入伪标签精炼以及运用精炼后伪标签的专门数据增强，实现卓越的性能。我们建立了最新的性能水平，并提供了全面的实验和消融研究，以验证我们方法有效性。
引用
@article{arxiv.2504.05301,
title = {S^4M: Boosting Semi-Supervised Instance Segmentation with SAM},
author = {Heeji Yoon and Heeseong Shin and Eunbeen Hong and Hyunwook Choi and Hansang Cho and Daun Jeong and Seungryong Kim},
journal= {arXiv preprint arXiv:2504.05301},
year = {2025}
}