基于边缘上下文信息的半监督语义分割
计算机视觉与模式识别
2024-07-04 v2 机器学习
摘要
我们提出一种新颖的置信度精化方案,用于增强半监督语义分割中的伪标签。现有方法孤立地过滤低置信度预测的像素,与之不同,我们的方法通过对相邻像素分组并集体考量其伪标签,利用分割图中标签的空间相关性。借助该上下文信息,我们的方法(命名为S4MC)在保持伪标签质量的同时,增加了训练所用无标签数据的数量,且计算开销可忽略。通过在标准基准上的大量实验,我们证明S4MC优于现有最先进的半监督学习方法,为降低密集标注获取成本提供了有前景的方案。例如,在仅366张标注图像的PASCAL VOC 12上,S4MC相较先前最佳方法取得了1.39 mIoU的提升。复现实验的代码见 https://s4mcontext.github.io/
引用
@article{arxiv.2308.13900,
title = {Semi-Supervised Semantic Segmentation via Marginal Contextual Information},
author = {Moshe Kimhi and Shai Kimhi and Evgenii Zheltonozhskii and Or Litany and Chaim Baskin},
journal= {arXiv preprint arXiv:2308.13900},
year = {2024}
}
备注
Published at TMLR