基于自校正网络的半监督语义图像分割
计算机视觉与模式识别
2020-02-27 v3 机器学习
机器学习
摘要
构建具有高质量目标掩码的大规模语义分割图像数据集成本高且耗时。本文提出一种有原则的半监督框架，仅使用一小部分全监督图像（具有语义分割标签和框标签）以及一组仅有目标边界框标签的图像（称之为弱集）。我们的框架借助一个辅助模型（为弱集生成初始分割标签）和一个自校正模块（在训练过程中利用日益准确的主模型改进所生成的标签）来训练主分割模型。我们引入了使用线性或卷积函数的两种自校正模块变体。在PASCAL VOC 2012和Cityscape数据集上的实验表明，我们的模型使用小规模全监督集训练时，性能与使用大规模全监督集训练的模型相当或更好，同时所需标注工作量减少约7倍。
引用
@article{arxiv.1811.07073,
title = {Semi-Supervised Semantic Image Segmentation with Self-correcting Networks},
author = {Mostafa S. Ibrahim and Arash Vahdat and Mani Ranjbar and William G. Macready},
journal= {arXiv preprint arXiv:1811.07073},
year = {2020}
}
备注
Accepted to CVPR 2020