利用像素间关系进行弱监督实例分割学习
计算机视觉与模式识别
2019-05-13 v3 机器学习
摘要
本文提出一种以图像级类别标签作为监督来学习实例分割的新方法。我们的方法生成训练图像的伪实例分割标签，用于训练全监督模型。为生成伪标签，我们首先从图像分类模型的注意力图中识别目标类别的置信种子区域，并将其传播以发现具有精确边界的整个实例区域。为此，我们提出IRNet，它估计各个实例的粗略区域并检测不同目标类别之间的边界。从而能够将实例标签分配给种子，并在边界内传播，以准确估计实例的整个区域。此外，IRNet利用注意力图上的像素间关系进行训练，因此不需要额外的监督。我们结合IRNet的方法在PASCAL VOC 2012数据集上取得了优异性能，不仅超越了先前同等监督水平的最先进（state-of-the-art）方法，也超越了部分依赖更强监督的已有模型。
引用
@article{arxiv.1904.05044,
title = {Weakly Supervised Learning of Instance Segmentation with Inter-pixel Relations},
author = {Jiwoon Ahn and Sunghyun Cho and Suha Kwak},
journal= {arXiv preprint arXiv:1904.05044},
year = {2019}
}
备注
Accepted to CVPR 2019 (Oral)