基于自监督以对象为中心表征的无监督语义分割
计算机视觉与模式识别
2023-05-02 v2
摘要
在本文中，我们表明自监督特征学习的最新进展使得无监督对象发现与语义分割的性能可达到 10 年前有监督语义分割领域的水平。我们提出一种基于无监督显著性掩码与自监督特征聚类的方法，以启动对象发现，随后在伪标签上训练语义分割网络，从而在含多个对象的图像上引导系统。我们在 PASCAL VOC 上展示了远超当前最先进水平（50.0 mIoU）的结果，并首次报道了 MS COCO 上全部 81 类的的结果：我们的方法发现了 34 个 IoU 超过 的类别，同时在全部 81 类上取得 19.6 的平均 IoU。
引用
@article{arxiv.2207.05027,
title = {Unsupervised Semantic Segmentation with Self-supervised Object-centric Representations},
author = {Andrii Zadaianchuk and Matthaeus Kleindessner and Yi Zhu and Francesco Locatello and Thomas Brox},
journal= {arXiv preprint arXiv:2207.05027},
year = {2023}
}