CC4S:鼓励Scribble监督语义细分的确定性和一致性

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 语义细分的深度学习需要大量的注释数据.
• 拼写监督提供了一个用户友好的注释替代方案,但由于标签稀疏和多样化,它面临着预测一致性和确定性的挑战.

研究的目的:

• 提出CC4S,一个整体的解决方案,以提高写字监督语义细分的确定性和一致性.
• 在训练深度学习模型中解决稀疏和多样化的涂注释的局限性.

主要方法:

• CC4S集成了一个随机步行模块,用于统一的神经表示,以及用于确定性预测的软损失.
• 在神经自身空间上失去一致性的自我监督训练鼓励一致的预测.
• 使用伪标签和颜色约束调节器的重新训练阶段进一步提高了性能.

主要成果:

• CC4S的性能与完全监督的语义细分方法相提并论.
• 拟议的方法显示出稳定性,特别是在极端的监管条件下.
• 实验结果验证了随机步行模块和自我监督策略的有效性.

结论:

• CC4S提供了一个强大的和有效的框架,用于涂监督的语义细分.
• 该方法成功地减轻了稀疏和多样化的注释所带来的挑战.
• 这项工作通过提高模型的确定性和一致性来推进计算机视觉中的弱监督学习.