通过替代自我双重教学进行弱监督的语义细分

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 弱监督的语义细分 (WSSS) 对于图像分析至关重要.
• 生成高质量的伪细分面具 (PSM) 是WSSS的一个关键挑战.
• 现有的方法经常错过对象部分或包括背景,因为缺乏完整的对象结构意识.

研究的目的:

• 开发一个新的框架,在WSSS中生成高质量的PSM.
• 有效地利用区分对象部分和完整的对象结构信息.
• 通过解决当前方法的局限性来提高WSSS的性能.

主要方法:

• 提出了一个新的端到端学习框架:替代自我双重教学 (ASDT).
• 采用双教师单学生网络架构.
• 利用知识蒸 (KD) 通过脉冲宽度 (PW) 调制启发的选择信号来处理杂的教师知识.

主要成果:

• ASDT有效地整合了区分对象部分和完整的对象结构信息.
• PW波形选择信号减轻了来自教师模型的不完美的知识的影响.
• 在 PASCAL VOC 2012 和 COCO-Stuff 10K 数据集上取得了新的最先进的结果.

结论:

• 拟议的ASDT框架显著提高了WSSS中PSM的质量.
• 与现有方法相比,ASDT表现出优越的性能.
• 这种方法为推进弱监督的语义细分提供了一个有希望的方向.