通过盒驱动的掩盖和填充速率转移进行弱监督的语义细分
概括
本研究引入了一种使用界限框弱监督的语义细分的新型混合模型,通过有效处理不确定的区域并减少不准确提案的噪音,显著提高了准确性.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 深度完全卷积网络 (FCN) 在语义细分方面表现出色,但需要昂贵的像素级注释.
- 界限框为细分任务提供了一个较弱,更容易访问的监督形式.
- 从边界框中提取精确的细分表现出由于类级和区域级的不确定性而带来的挑战.
研究的目的:
- 开发一种使用边界框注释的弱监督语义细分方法.
- 从边界框中有效地利用类级和区域级的信息.
- 为了减轻噪音或不准确的界限框衍生细分提案的影响.
主要方法:
- 一个盒驱动的类智能掩盖模型 (BCM) 过不相关的区域.
- 平均填充率是从指导模型忽略错误标记的像素的建议中计算出来的.
- 基于的填充速度转移模块可以实现细粒度的实例级监督.
- 适应性细分损失动态调整学习以减少噪音建议的负面影响.
- 通过使用高质量的提案,双阶段学习方法进一步提高了绩效.
主要成果:
- 在PASCAL VOC 2012的弱监督模式下实现了74.9%的平均IOU.
- 在PASCAL VOC 2012的半监督模式下实现了76.4%的平均IOU.
- 已证明的有效性与最先进的方法相比或超过.
结论:
- 拟议的混合模型有效地利用了对语义细分的界限框监督.
- 该方法成功地解决了不确定的地区和杂的提案的挑战.
- 该方法提供了一个可行的和高性能替代方案,以像素级注释依赖的方法.
