迈向单阶段弱监督语义分割
计算机视觉与模式识别
2021-06-29 v2 人工智能
摘要
获取语义分割标签的高成本推动了面向弱监督语义分割 (WSSS) 方法的研究，此类方法仅使用图像级、点或框标签。由于缺乏密集场景表示，方法需增加复杂性以获取场景的额外语义信息，通常通过多阶段训练与细化实现。当前 state-of-the-art (SOTA) 模型利用图像级标签生成类激活图 (CAM)，经多阶段细化后再阈值化以制作伪掩码用于监督。这种多阶段方法计算昂贵，且依赖图像级标签生成 CAM 缺乏对更复杂场景的泛化能力。相反，我们的方法提供了一种可泛化至任意数据集的单阶段方法，可从头训练，不依赖预训练骨干网络、分类或独立细化任务。我们利用点标注通过细化与过滤的特征生成可靠的即时伪掩码。尽管我们的方法所需点标注仅比图像级标注略贵，我们仍展示了在基准数据集 (PascalVOC 2012) 上的 SOTA 性能，以及在近期真实世界数据集 (CRAID、CityPersons、IAD) 上显著优于其他 SOTA WSSS 方法。
引用
@article{arxiv.2106.10309,
title = {Towards Single Stage Weakly Supervised Semantic Segmentation},
author = {Peri Akiva and Kristin Dana},
journal= {arXiv preprint arXiv:2106.10309},
year = {2021}
}