基于图卷积网络的弱监督图像语义分割
计算机视觉与模式识别
2021-04-02 v2
摘要
本文研究基于图像级类别标签的弱监督图像语义分割。该任务的常见方法是通过随机游走机制传播类激活图（CAMs）的激活分数，从而得到完整的伪标签，以全监督方式训练语义分割网络。然而，随机游走的前馈特性对所得完整伪标签的质量没有任何正则化约束。为克服该问题，我们提出了一种基于图卷积网络（GCN）的特征传播框架。我们将完整伪标签的生成表述为半监督学习任务，并通过反向传播拉普拉斯与熵正则化损失，为每幅训练图像分别学习一个2层GCN。在PASCAL VOC 2012数据集上的实验结果证实了我们的方案优于多个前沿基线。我们的代码见https://github.com/Xavier-Pan/WSGCN。
引用
@article{arxiv.2103.16762,
title = {Weakly-Supervised Image Semantic Segmentation Using Graph Convolutional Networks},
author = {Shun-Yi Pan and Cheng-You Lu and Shih-Po Lee and Wen-Hsiao Peng},
journal= {arXiv preprint arXiv:2103.16762},
year = {2021}
}
备注
Accepted by ICME 2021