要点何在：基于点监督的语义分割
计算机视觉与模式识别
2016-07-26 v5
摘要
语义图像分割任务在测试时精度与训练时标注成本之间存在权衡。详细的逐像素标注能够训练出准确的模型，但获取非常耗时；图像级类别标签便宜一个数量级，但导致模型精度较低。我们从图像级标注向更强监督自然迈进了一步：我们要求标注者在存在物体时指向该物体。我们将这种点监督与一种新颖的物体性势一同纳入 CNN 模型的训练损失函数中。在 PASCAL VOC 2012 基准上的实验结果表明，点级监督与物体性势的联合效应相比图像级监督带来了 12.9% mIOU 的提升。此外，我们证明在给定固定标注预算下，使用点级监督训练的模型比使用图像级、曲线级或全监督训练的模型更准确。
引用
@article{arxiv.1506.02106,
title = {What's the Point: Semantic Segmentation with Point Supervision},
author = {Amy Bearman and Olga Russakovsky and Vittorio Ferrari and Li Fei-Fei},
journal= {arXiv preprint arXiv:1506.02106},
year = {2016}
}
备注
ECCV (2016) submission