自训练全景分割
计算机视觉与模式识别
2023-11-20 v1 机器学习
摘要
全景分割是一项重要的计算机视觉任务，它结合了语义分割与实例分割。通过在医学图像分析、自动驾驶车辆与机器人领域提供对视觉环境的全面理解，其发挥着关键作用。传统上，深度学习全景分割模型依赖于密集且精确标注的训练数据，这类数据获取昂贵且耗时。自监督学习方法的最新进展已展现出巨大潜力，可利用合成与未标注数据通过自训练生成伪标签，以提升实例与语义分割模型性能。现有三种自监督全景分割方法均采用基于提议的 transformer 架构，其计算昂贵、复杂且为特定任务而设计。本工作的目标是开发一个框架，在合成到真实的域适应问题设定下，利用自训练执行基于嵌入的自监督全景分割。
引用
@article{arxiv.2311.10648,
title = {Self-trained Panoptic Segmentation},
author = {Shourya Verma},
journal= {arXiv preprint arXiv:2311.10648},
year = {2023}
}