不确定性与基于能量的损失引导的半监督语义分割
计算机视觉与模式识别
2025-01-06 v1
摘要
半监督（SS）语义分割利用有标签和无标签图像来克服繁琐且昂贵的像素级标注问题。伪标签监督是同时使用伪标签和真实标签训练网络的核心方法之一。本工作在交并集伪监督网络中使用了偶然不确定性或数据不确定性以及基于能量的建模。偶然不确定性通过具有两个预测分支的网络对数据的固有噪声变化进行建模。从网络获得的逐像素方差参数提供了关于数据不确定性的定量认识。此外，基于能量的损失实现了生成式建模在下游 SS 分割任务上的潜力。偶然损失和能量损失与伪交标签、伪并标签以及真实标签一起应用于各自的网络分支。与 state-of-the-art 方法的对比分析表明性能指标有所提升。
引用
@article{arxiv.2501.01640,
title = {Uncertainty and Energy based Loss Guided Semi-Supervised Semantic Segmentation},
author = {Rini Smita Thakur and Vinod K. Kurmi},
journal= {arXiv preprint arXiv:2501.01640},
year = {2025}
}
备注
Accepted in IEEE/CVF Winter Conference on Applications of Computer Vision (WACV) 2025