D2CL:一种二维对比学习方法,用于提高弱监督语义细分的性能
Qihang Jia1, Xiangfu Ding1, Na Tian1
1School of Automation and Electronic Engineering, Qingdao University of Science and Technology, Qingdao, China.
Annals of the New York Academy of Sciences
|November 22, 2025
概括
一个新的二维对比学习 (D2CL) 框架通过提高特征的独特性来增强弱监督的语义细分. 这种方法通过更好地利用类内信息和分离类间特征来提高自动驾驶和医学成像方面的性能.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 人工智能的人工智能
背景情况:
- 弱监督的语义细分对于自动驾驶和医疗图像分析至关重要.
- 目前的方法在有限的语义线索中扎,导致类内表达不佳和类间混.
- 这会影响整体细分业绩.
研究的目的:
- 引入一个新的二维对比学习 (D2CL) 框架.
- 通过在视图和视图内探索属性来增强特征学习.
- 为了改善类内紧性和类间可分离性,以实现更好的细分.
主要方法:
- 提出了一个二维对比学习 (D2CL) 框架.
- 实现了一个类间原型对比学习模块与动态原型记忆库.
- 开发了一个课内像素对比学习模块,用于类别内的像素智能变化.
主要成果:
- 在PASCAL VOC 2012和MS COCO 2014数据集上,D2CL显著提高了基线模型的性能.
- 对于SEAM,工会的平均交叉点 (mIoU) 从64.5%增加到67.7%.
- 对AMN的mIoU从69.6%提高到71.8%.
结论:
- D2CL框架有效地增强了弱监督的语义细分.
- 该方法证明了在不同模型中具有普遍适用性和一致的性能改进.
- 在语义细分任务中,D2CL为利用细粒度特征属性提供了一个有希望的方法.
