阈值在WSSS中至关重要：操控激活以构建对阈值鲁棒且准确的分割模型
计算机视觉与模式识别
2022-03-31 v1
摘要
弱监督语义分割（WSSS）因仅需图像级标签训练分割模型而近年备受关注。现有WSSS方法普遍认为CAM的稀疏覆盖造成性能瓶颈。本文给出分析与实证证据表明，真正瓶颈或许并非稀疏覆盖，而是CAM之后采用的全局阈值方案。进而我们展示该问题可通过满足两条件缓解：1）减小前景激活的不平衡；2）增大前景与背景激活的间隙。基于发现，我们提出一种新颖激活操控网络，含逐像素分类损失与标签条件模块。逐像素分类自然诱发激活图中的两级激活，可惩罚最具判别力部分、促进较弱判别力部分并停用背景区域。标签条件强制伪掩码输出标签须为真图像级标签之一，从而惩罚分配给非目标类的错误激活。基于充分分析与评估，我们证明各组件有助于生成准确伪掩码，实现对全局阈值选择的鲁棒性。最终，我们的模型在PASCAL VOC 2012与MS COCO 2014数据集上均达最优记录。
引用
@article{arxiv.2203.16045,
title = {Threshold Matters in WSSS: Manipulating the Activation for the Robust and Accurate Segmentation Model Against Thresholds},
author = {Minhyun Lee and Dongseob Kim and Hyunjung Shim},
journal= {arXiv preprint arXiv:2203.16045},
year = {2022}
}
备注
CVPR 2022 accepted