基于区域相关性的半监督语义分割
计算机视觉与模式识别
2023-04-25 v1
摘要
半监督语义分割旨在利用少量标注数据和大量未标注数据来学习分割任务。最常见的方法是为未标注图像生成伪标签以扩充训练数据。然而,带有噪声的伪标签会导致累积的分类错误,并加剧预测中的局部不一致性。本文提出一种区域相关性网络(Region Relevance Network, RRN)来缓解上述问题。具体而言,我们首先引入一个局部伪标签过滤模块,利用判别器网络在区域层级评估伪标签的准确性。提出一种局部选择损失,以减轻一致性正则化训练中错误伪标签的负面影响。此外,我们提出一个动态区域损失校正模块,利用网络多样性的优势进一步评估伪标签的可靠性,并通过动态区域损失校正分割网络的收敛方向。在 PASCAL VOC 2012 和 Cityscapes 数据集上,针对不同数量的标注数据进行了大量实验,表明我们提出的方法相较于现有同类方法取得了最先进的性能。
引用
@article{arxiv.2304.11539,
title = {Semi-Supervised Semantic Segmentation With Region Relevance},
author = {Rui Chen and Tao Chen and Qiong Wang and Yazhou Yao},
journal= {arXiv preprint arXiv:2304.11539},
year = {2023}
}
备注
accepted by IEEE International Conference on Multimedia and Expo 2023