基于迭代亲和性学习的弱监督语义分割
计算机视觉与模式识别
2020-02-20 v1
摘要
弱监督语义分割是一项具有挑战性的任务，因为训练时未提供像素级标签信息。近期方法利用分类网络通过选取强响应区域来定位物体。然而，此类响应图提供的信息稀疏，而自然图像中像素间存在强成对关系，可用于将稀疏图传播为更稠密的图。本文提出一种迭代算法来学习此类成对关系，其包含两个分支：一个学习每个像素标签概率的一元分割网络，以及一个学习亲和矩阵并细化一元网络生成的概率图的成对亲和网络。成对网络细化后的结果用作监督来训练一元网络，该过程迭代进行以逐步获得更好的分割。为在无精确标注下学习可靠像素亲和性，我们还提出挖掘置信区域。我们证明迭代训练该框架等价于优化一个能量函数并收敛至局部极小值。在 PASCAL VOC 2012 和 COCO 数据集上的实验结果表明，所提算法优于当前最优方法。
引用
@article{arxiv.2002.08098,
title = {Weakly-Supervised Semantic Segmentation by Iterative Affinity Learning},
author = {Xiang Wang and Sifei Liu and Huimin Ma and Ming-Hsuan Yang},
journal= {arXiv preprint arXiv:2002.08098},
year = {2020}
}
备注
IJCV 2020