应对语义分割中数据与标注有限的问题
计算机视觉与模式识别
2020-07-16 v1
摘要
本工作研究在小型图像数据集（由PASCAL VOC 2012中随机选取的1000张图像模拟）上仅存在弱监督信号（来自用户交互的涂鸦）时的语义分割问题。特别地，为应对图像分割中数据标注有限的问题，采用了迁移不同预训练模型与基于CRF的方法来增强分割性能。为此，将RotNet、DeeperCluster及半监督与弱监督学习（SWSL）预训练模型迁移并在DeepLab-v2基线上微调，同时将稠密CRF既作为后处理也作为损失正则化技术加以应用。我的研究表明，在该小型数据集上，使用预训练的ResNet50 SWSL模型所得结果比采用ImageNet预训练模型高出7.4%；此外，在完整PASCAL VOC 2012训练数据上训练的情形下，该预训练方法将mIoU结果提升了近4%。另一方面，稠密CRF亦被证明非常有效，无论作为弱监督训练中的损失正则化技术还是作为后处理工具均提升了结果。
引用
@article{arxiv.2007.07357,
title = {Tackling the Problem of Limited Data and Annotations in Semantic Segmentation},
author = {Ahmadreza Jeddi},
journal= {arXiv preprint arXiv:2007.07357},
year = {2020}
}
备注
10 pages, 8 figures, 1 table