缩小DCNN弱监督语义分割的差距:结合局部与全局模型
计算机视觉与模式识别
2019-05-01 v3
摘要
为深度卷积神经网络(DCNNs)生成训练集是现代实际应用中的一个瓶颈。对于标注训练数据成本高昂的应用(如语义分割)而言,这是一项艰巨任务。文献中,在完整标注与弱标注上训练的网络所达到的性能之间仍存在差距。在本文中,我们建立了一套策略来衡量该差距并识别缩小它所需的要素。在涂鸦标注上,我们取得了新的最优结果:在不使用CRF后处理时mIoU为75.6%,使用CRF后处理时为75.7%。我们将差距缩小了64.2%,而当前最优方法仅缩小了57.5%。得益于对弱监督场景下不同要素的系统研究以及一种原创的实验策略,我们揭示了一种反直觉机制,该机制简单且可推广至其他弱监督场景:将较差的局部预测标注与基线标注取平均并重新用于训练DCNN,从而产生了新的最优结果。
引用
@article{arxiv.1808.01625,
title = {Towards Closing the Gap in Weakly Supervised Semantic Segmentation with DCNNs: Combining Local and Global Models},
author = {Christoph Mayer and Radu Timofte and Grégory Paul},
journal= {arXiv preprint arXiv:1808.01625},
year = {2019}
}