基于不确定性引导自交叉监督的半监督语义分割
计算机视觉与模式识别
2022-03-16 v2
摘要
作为实现半监督分割的一种有力方式，交叉监督方法基于独立集成模型并利用丰富的无标签图像学习交叉一致性。然而，交叉监督生成的错误伪标签信息会混淆训练过程并对分割模型的有效性产生负面影响。此外，此类方法中集成模型的训练过程也成倍增加计算资源开销并降低训练效率。为解决这些问题，我们提出一种新颖的交叉监督方法，即不确定性引导自交叉监督（USCS）。除集成模型外，我们首先设计了一种多输入多输出（MIMO）分割模型，其能以共享模型生成多个输出并进而对这些输出施加一致性，从而节省参数与计算开销。另一方面，我们利用不确定性作为引导信息，鼓励模型关注伪标签的高置信区域，并减轻自交叉监督中错误伪标签的影响，提升分割模型性能。大量实验表明，我们的方法在节省 40.5% 和 49.1% 的参数与计算开销的同时取得了最先进的性能。
引用
@article{arxiv.2203.05118,
title = {Semi-supervision semantic segmentation with uncertainty-guided self cross supervision},
author = {Yunyang Zhang and Zhiqiang Gong and Xiaohu Zheng and Xiaoyu Zhao and Wen Yao},
journal= {arXiv preprint arXiv:2203.05118},
year = {2022}
}