半监督分割中迭代自训练的 GIST 与 RIST 精髓
计算机视觉与模式识别
2022-05-02 v3
摘要
我们考虑半监督语义分割任务，旨在仅给定少量人工标注训练样本的情况下生成像素级语义对象掩码。我们聚焦于迭代自训练方法，并探究自训练在多个精炼阶段中的行为。我们表明，若以固定比例的人工标注与伪标注训练样本朴素地进行迭代自训练，会导致性能退化。我们提出贪婪迭代自训练（GIST）与随机迭代自训练（RIST）策略，在每个精炼阶段交替在人工标注数据或伪标注数据上训练，从而获得性能提升而非退化。我们进一步表明 GIST 与 RIST 可与现有半监督学习方法结合以提升性能。
引用
@article{arxiv.2103.17105,
title = {The GIST and RIST of Iterative Self-Training for Semi-Supervised Segmentation},
author = {Eu Wern Teh and Terrance DeVries and Brendan Duke and Ruowei Jiang and Parham Aarabi and Graham W. Taylor},
journal= {arXiv preprint arXiv:2103.17105},
year = {2022}
}
备注
To appear in the Conference on Computer and Robot Vision (CRV), 2022