基于交替自对偶教学的弱监督语义分割
计算机视觉与模式识别
2022-03-31 v2 人工智能
摘要
当前弱监督语义分割（WSSS）框架通常包含分离的掩码细化模型与主语义区域挖掘模型。这些方法会包含冗余的特征提取骨干网络与有偏的学习目标，使其计算复杂且在解决 WSSS 任务时次优。为解决该问题，本文建立了一个紧凑学习框架，将分类与掩码细化组件嵌入统一深度模型。借助共享的特征提取骨干，我们的模型能够促进两组件间的知识共享，同时保持较低的计算复杂度。为鼓励高质量知识交互，我们提出一种新颖的交替自对偶教学（ASDT）机制。不同于常规蒸馏策略，我们模型中两个教师分支的知识通过脉冲宽度调制（PWM）交替蒸馏至学生分支，PWM 生成类 PW 波的选择信号以引导知识蒸馏过程。如此，学生分支可帮助模型避免陷入任一教师分支所提供不完美知识导致的局部最小解。在 PASCAL VOC 2012 与 COCO-Stuff 10K 上的综合实验证明了所提交替自对偶教学机制的有效性，以及我们方法的新最优性能。
引用
@article{arxiv.2112.09459,
title = {Weakly Supervised Semantic Segmentation via Alternative Self-Dual Teaching},
author = {Dingwen Zhang and Wenyuan Zeng and Guangyu Guo and Chaowei Fang and Lechao Cheng and Ming-Ming Cheng and Junwei Han},
journal= {arXiv preprint arXiv:2112.09459},
year = {2022}
}