Scribble Hides Class：利用类别标签促进基于涂鸦的弱监督语义分割
计算机视觉与模式识别
2025-03-18 v1
摘要
基于涂鸦的弱监督语义分割利用稀疏涂鸦监督，与全标注替代方案相比降低了标注成本，正受到越来越多的关注。现有方法主要通过利用局部线索将已标注像素扩散到未标注像素来生成伪标签。然而，这种扩散过程未能利用对语义分割至关重要的全局语义和特定类别的线索。在本研究中，我们提出了一种类别驱动的涂鸦提升网络，该网络利用涂鸦标注以及由图像级类别和全局语义提供的伪标签进行监督。直接采用伪标签可能会误导分割模型，因此我们设计了一个定位校正模块来校正特征空间中的前景表示。为了进一步结合两种监督的优势，我们还引入了一种距离熵损失以减少不确定性，该损失根据由涂鸦和伪标签边界确定的可靠区域调整每像素的置信度权重。在不同质量的涂鸦标注的 ScribbleSup 数据集上的实验表明，我们的方法优于所有先前的方法，证明了该方法的优越性和鲁棒性。代码可在 https://github.com/Zxl19990529/Class-driven-Scribble-Promotion-Network 获取。
引用
@article{arxiv.2402.17555,
title = {Scribble Hides Class: Promoting Scribble-Based Weakly-Supervised Semantic Segmentation with Its Class Label},
author = {Xinliang Zhang and Lei Zhu and Hangzhou He and Lujia Jin and Yanye Lu},
journal= {arXiv preprint arXiv:2402.17555},
year = {2025}
}