通过学习标注一致实例的弱监督实例分割
计算机视觉与模式识别
2020-07-21 v1
摘要
近期弱监督实例分割的方法依赖于两个组件：(i) 一个伪标签生成模型，提供与给定标注一致的实例；以及 (ii) 一个以监督方式使用伪标签作为真值训练的实例分割模型。与先前方法不同，我们使用条件分布显式建模伪标签生成过程中的不确定性。从我们的条件分布中抽取的样本由于使用了语义类感知一元项、边界感知成对平滑项以及标注感知高阶项而提供准确的伪标签。此外，我们将实例分割模型表示为标注不可知预测分布。与先前方法相比，我们的表示允许我们定义一个联合概率学习目标，最小化两个分布之间的不相似性。我们的方法在 PASCAL VOC 2012 数据集上取得了最先进的结果，以 4.2% [email protected] 和 4.8% [email protected] 优于最佳基线。
引用
@article{arxiv.2007.09397,
title = {Weakly Supervised Instance Segmentation by Learning Annotation Consistent Instances},
author = {Aditya Arun and C. V. Jawahar and M. Pawan Kumar},
journal= {arXiv preprint arXiv:2007.09397},
year = {2020}
}
备注
To appear at ECCV 2020