语义图像分割的 DCNN 弱监督与半监督学习
计算机视觉与模式识别
2015-10-07 v3
摘要
在大量具有强像素级标注的图像上训练的深卷积神经网络 (DCNN) 最近在语义图像分割方面显著推动了最先进水平。我们研究了更具挑战性的问题，即从以下两种情况学习用于语义图像分割的 DCNN：(1) 弱标注训练数据，如边界框或图像级标签；或 (2) 少量强标注图像与大量弱标注图像的组合，这些数据来源于一个或多个数据集。我们开发了用于在这些弱监督和半监督设置下训练语义图像分割模型的期望最大化 (EM) 方法。广泛的实验评估表明，所提出的技术可以学习到在具有挑战性的 PASCAL VOC 2012 图像分割基准上提供竞争性结果的模型，同时所需的标注工作量显著减少。我们在 https://bitbucket.org/deeplab/deeplab-public 分享了实现所提出系统的源代码。
引用
@article{arxiv.1502.02734,
title = {Weakly- and Semi-Supervised Learning of a DCNN for Semantic Image Segmentation},
author = {George Papandreou and Liang-Chieh Chen and Kevin Murphy and Alan L. Yuille},
journal= {arXiv preprint arXiv:1502.02734},
year = {2015}
}
备注
Accepted to ICCV 2015