用于半监督语义分割的无偏子类正则化
计算机视觉与模式识别
2022-03-29 v2
摘要
半监督语义分割从少量标注图像和大量未标注图像中学习，随着深度神经网络的近期进展，该领域取得了令人瞩目的进步。然而，在探索未标注图像时，它常常遭受严重的类别偏差问题，这主要是由于标注图像中明显的像素级类别不平衡。本文提出了一种无偏子类正则化网络（USRN），通过从平衡的子类分布中学习类别无偏的分割来缓解类别不平衡问题。我们通过将每个原始类的像素聚类成多个大小相似的子类来构建平衡的子类分布，这提供了类别平衡的伪监督以正则化类别偏差的分割。此外，我们设计了一种基于熵的门控机制来协调原始类和聚类子类之间的学习，通过抑制不确信的子类预测来有效促进子类正则化。在多个公开基准上的大量实验表明，与最先进的方法相比，USRN取得了优越的性能。
引用
@article{arxiv.2203.10026,
title = {Unbiased Subclass Regularization for Semi-Supervised Semantic Segmentation},
author = {Dayan Guan and Jiaxing Huang and Aoran Xiao and Shijian Lu},
journal= {arXiv preprint arXiv:2203.10026},
year = {2022}
}
备注
Accepted to CVPR 2022. Code is available at https://github.com/Dayan-Guan/USRN