基于交叉教师训练的半监督语义分割

卷积神经网络在语义分割任务中可取得卓越性能。然而,此类神经网络方法严重依赖昂贵的像素级标注。半监督学习是解决该问题的一种有前景的途径,但其性能仍远落后于全监督对应方法。本工作提出一种带三个模块的交叉教师训练框架,显著改进了传统半监督学习方法。其核心是一个交叉教师模块,可同时降低对等网络间的耦合以及教师与学生网络间的误差累积。此外,我们提出两个互补的对比学习模块。高层模块可将标注数据中的高质量知识迁移至未标注数据,并促进特征空间中类间分离。低层模块可鼓励对等网络间低质量特征向高质量特征学习。实验中,交叉教师模块显著提升了传统师生方法的性能,且我们的框架在基准数据集上优于最先进方法。我们将发布CTT的源代码。