细节在标点之中：基于点引导掩码表示的弱半监督实例分割
计算机视觉与模式识别
2023-03-28 v1
摘要
本文提出一种名为弱半监督实例分割（WSSIS）的新型学习方案，利用点标签实现节省预算且高性能的实例分割。具体而言，我们考虑由少量全标注图像和大量点标注图像组成的数据集设定。鉴于半监督方法的主要挑战源于假阴性实例提议与假阳性实例提议之间的权衡，我们提出了一种用于WSSIS的方法，能有效利用经济友好的点标签作为强大的弱监督来源以解决该挑战。此外，为应对全标注数据量极度有限的困难情况，我们提出MaskRefineNet以细化粗糙掩码中的噪声。我们在COCO与BDD100K数据集上进行了大量实验，所提方法取得了与全监督模型相当的有前景结果，即便仅使用50%的全标注COCO数据（38.8%对39.7%）。而且，当仅使用5%的全标注COCO数据时，我们的方法相较最先进的半监督学习方法展现出显著更优的性能（33.7%对24.9%）。代码见 https://github.com/clovaai/PointWSSIS。
引用
@article{arxiv.2303.15062,
title = {The Devil is in the Points: Weakly Semi-Supervised Instance Segmentation via Point-Guided Mask Representation},
author = {Beomyoung Kim and Joonhyun Jeong and Dongyoon Han and Sung Ju Hwang},
journal= {arXiv preprint arXiv:2303.15062},
year = {2023}
}
备注
CVPR 2023