用于半监督语义分割的结构化一致性损失
计算机视觉与模式识别
2021-11-23 v2
摘要
一致性损失在近期半监督学习研究中解决问题的过程中发挥了关键作用。然而现有关于一致性损失的研究仅限于将其应用于分类任务；现有半监督语义分割研究依赖逐像素分类，未能反映预测中特征的结构化本质。我们提出结构化一致性损失以解决现有研究的这一局限。结构化一致性损失促进教师网络与学生网络间像素间相似度的一致性。具体而言，与 CutMix 协作通过大幅降低计算负担，优化了带结构化一致性损失的半监督语义分割的高效性能。所提方法的优越性在 Cityscapes 上得到验证；Cityscapes 基准在验证集与测试集上的结果分别为 81.9 mIoU 与 83.84 mIoU。这在 Cityscapes 基准套件的像素级语义标注任务上排名首位。据我们所知，我们首次展示了最先进（SOTA）半监督学习在语义分割中的优越性。
引用
@article{arxiv.2001.04647,
title = {Structured Consistency Loss for semi-supervised semantic segmentation},
author = {Jongmok Kim and Jooyoung Jang and Hyunwoo Park and SeongAh Jeong},
journal= {arXiv preprint arXiv:2001.04647},
year = {2021}
}
备注
10 pages, 4 figures