UCC：面向半监督语义分割的不确定性引导跨头协同训练
计算机视觉与模式识别
2023-02-24 v2
摘要
深度神经网络（DNN）在语义分割中取得了巨大成功，而该任务需要大量标注数据进行训练。我们提出了一种称为不确定性引导跨头协同训练（UCC）的新型学习框架，用于半监督语义分割。我们的框架在共享编码器中引入弱增强与强增强以实现协同训练，这自然结合了一致性与自训练的优势。每个分割头与其同伴交互，且弱增强结果用于监督强增强结果。动态跨集复制粘贴（DCSCP）可提升一致性训练样本的多样性，同时缓解分布失配与类别不平衡问题。此外，我们提出的不确定性引导重加权模块（UGRM）通过对不确定性建模、抑制来自同伴的低质量伪标签的影响，从而增强自训练伪标签。在 Cityscapes 与 PASCAL VOC 2012 上的大量实验证明了 UCC 的有效性。我们的方法显著优于其他最先进的半监督语义分割方法。在 1/16 协议下，其在 Cityscapes 与 PASCAL VOC 2012 数据集上分别取得 77.17%、76.49% 的 mIoU，比有监督基线分别高出 +10.1%、+7.91%。
引用
@article{arxiv.2205.10334,
title = {UCC: Uncertainty guided Cross-head Co-training for Semi-Supervised Semantic Segmentation},
author = {Jiashuo Fan and Bin Gao and Huan Jin and Lihui Jiang},
journal= {arXiv preprint arXiv:2205.10334},
year = {2023}
}
备注
10 pages, CVPR2022