基于点的度量学习用于弱监督场景解析
计算机视觉与模式识别
2018-11-07 v1
摘要
语义场景解析面临着像素级标注难以收集的问题。为解决此问题，本文提出一种基于点的距离度量学习（PDML）。PDML不需要稠密标注掩码，仅利用若干标注点（其获取容易得多）来引导训练过程。具体而言，我们通过鼓励类内与类间标注点的特征表示保持一致来利用标注点之间的语义关系，即同一类别内的点应比不同类别的点具有更相似的特征表示。我们将这一特性表述为一个简单的距离度量损失，其与逐点交叉熵损失协作以优化深度神经网络。此外，为充分利用有限的标注，距离度量学习在不同训练图像间进行，而非简单地采用依赖于图像的方式。我们在PASCAL-Context和ADE20K两个具有挑战性的场景解析基准上进行了大量实验以验证PDML的有效性，并取得了有竞争力的mIoU分数。
引用
@article{arxiv.1811.02233,
title = {Weakly Supervised Scene Parsing with Point-based Distance Metric Learning},
author = {Rui Qian and Yunchao Wei and Honghui Shi and Jiachen Li and Jiaying Liu and Thomas Huang},
journal= {arXiv preprint arXiv:1811.02233},
year = {2018}
}
备注
AAAI2019