圆周扫描合成孔径声纳图像的弱监督语义分割

我们提出了一种用于圆周扫描合成孔径声纳（CSAS）图像语义分割的弱监督框架。我们框架的第一部分以监督方式在图像级标签上进行训练，以揭示每幅图像中的一组半稀疏、具空间区分性的区域。随后评估每个区域的分类不确定性。选择那些不确定性最低的区域作为像素级的弱标记分割种子，用于框架的第二部分。每个种子范围根据带有结构化预测正则化项的无监督信息论损失进行渐进式调整。此重塑过程使用多尺度、自适应加权的特征来描绘局部图像内容中特定类别的过渡。在我们框架的各个部分插入了按内容寻址的存储器，以便它能够利用先前见过的图像的特征来改善相关图像的分割性能。我们使用包含超过十类海底类别和十类目标类别的真实世界 CSAS 图像来评估我们的弱监督框架。我们表明，我们的框架与九个全监督深度网络的性能相当。我们的框架也优于十一个最佳的弱监督深度网络。在自然图像上进行预训练时，我们实现了最先进的性能。对于自然图像和声纳图像，与次佳弱监督网络的平均绝对性能差距均远超百分之十。发现该差距具有统计学意义。