具有方向性上下文感知一致性的半监督语义分割
计算机视觉与模式识别
2021-06-29 v1
摘要
语义分割近年来取得了巨大进展。然而，令人满意的性能高度依赖于大量的像素级标注。因此，本文关注半监督分割问题，其中仅提供一小组标注数据以及大量完全未标注的图像。尽管如此，由于标注有限，模型可能过度依赖训练数据中可用的上下文，导致对未见场景的泛化能力差。理想的高级表示应捕获上下文信息同时不丧失自身感知。因此，我们提出保持同一身份但不同上下文的特征之间的上下文感知一致性，使表示对变化的环境具有鲁棒性。此外，我们提出方向对比损失（DC Loss）以逐像素方式实现一致性，仅要求质量较低的特征向其对应特征对齐。另外，为避免假阴性样本并过滤不确定的正样本，我们提出了两种采样策略。大量实验表明，我们简单而有效的方法大幅超越了当前最先进的方法，并且在使用额外图像级标注时也泛化良好。
引用
@article{arxiv.2106.14133,
title = {Semi-supervised Semantic Segmentation with Directional Context-aware Consistency},
author = {Xin Lai and Zhuotao Tian and Li Jiang and Shu Liu and Hengshuang Zhao and Liwei Wang and Jiaya Jia},
journal= {arXiv preprint arXiv:2106.14133},
year = {2021}
}
备注
Accepted to CVPR 2021. Code is available at https://github.com/dvlab-research/Context-Aware-Consistency