利用分布外数据进行弱监督语义分割
计算机视觉与模式识别
2022-03-09 v1
摘要
弱监督语义分割（WSSS）方法通常建立在由分类器获得的像素级定位图之上。然而，仅使用类别标签训练时，分类器会受到前景与背景线索之间虚假相关性的影响（例如火车与铁轨），这从根本上限制了 WSSS 的性能。已有先前工作尝试通过额外监督来解决此问题。我们提出了一种区分前景与背景的新信息源：分布外（OoD）数据，即不含前景目标类别的图像。具体而言，我们利用分类器可能做出假阳性预测的困难 OoD。这些样本通常带有背景上的关键视觉特征（例如铁轨），而分类器常将其误认为前景（例如火车），因此这些线索使分类器能够正确抑制虚假的背景线索。获取此类困难 OoD 不需要大量标注工作；它仅在收集类别标签的原始工作之上增加了少量额外的图像级标注成本。我们提出了一种利用困难 OoD 的方法 W-OoD。W-OoD 在 Pascal VOC 2012 上取得了最先进的性能。
引用
@article{arxiv.2203.03860,
title = {Weakly Supervised Semantic Segmentation using Out-of-Distribution Data},
author = {Jungbeom Lee and Seong Joon Oh and Sangdoo Yun and Junsuk Choe and Eunji Kim and Sungroh Yoon},
journal= {arXiv preprint arXiv:2203.03860},
year = {2022}
}
备注
CVPR 2022