SS-CPGAN：用于目标分割的自监督剪切粘贴生成对抗网络
计算机视觉与模式识别
2023-04-06 v3 机器学习
摘要
本文提出一种新颖的基于自监督的剪切粘贴 GAN（Cut-and-Paste GAN），以在无人工标注的情况下执行前景目标分割并生成逼真的合成图像。我们通过一种简单而有效的自监督方法结合基于 U-Net 的判别器来实现这一目标。所提方法扩展了标准判别器的能力，不仅通过分类（真/假）学习全局数据表示，还通过利用自监督任务创建的伪标签学习语义与结构信息。所提方法通过迫使生成器从判别器学习信息丰富的逐像素以及全局图像反馈，使其创建有意义的掩码。我们的实验表明，在标准基准数据集上，我们所提方法显著优于当前最优（SOTA）方法。
引用
@article{arxiv.2301.00366,
title = {SS-CPGAN: Self-Supervised Cut-and-Pasting Generative Adversarial Network for Object Segmentation},
author = {Kunal Chaturvedi and Ali Braytee and Jun Li and Mukesh Prasad},
journal= {arXiv preprint arXiv:2301.00366},
year = {2023}
}