DuPL: 可信可靠的渐进式学习强鲁棒性弱监督语义分割

CVPRMar, 2024

DuPL: 可信可靠的渐进式学习强鲁棒性弱监督语义分割

DuPL: Dual Student with Trustworthy Progressive Learning for Robust Weakly Supervised Semantic Segmentation

Yuanchen Wu, Xichen Ye, Kequan Yang, Jide Li, Xiaoqiang Li

TL;DR提出了一种名为 DuPL 的可信逐步学习的双学生框架，用于解决单阶段弱监督语义分割中由 CAM 伪标签引起的认证偏差问题，通过动态阈值调整和自适应噪声过滤策略在学习过程中逐渐引入更多可靠的伪标签，并针对被丢弃的区域开发了一致性正则化以提供每个像素的监督。实验结果表明，该方法在 PASCAL VOC 2012 和 MS COCO 数据集上优于最新的状态 - of-the-art 替代方案。

Abstract

Recently, one-stage weakly supervised semantic segmentation (WSSS) with image-level labels has gained increasing interest due to simplification over its cumbersome multi-stage counterpart. Limited by the inherent ambiguity of Class Activation Map (CAM), we observe that one-stage pipeli

one-stage weakly supervised semantic segmentation confirmation bias cam pseudo-labels trustworthy progressive learning consistency regularization

发现论文，激发创造

弱监督语义分割的渐进不确定特征自强化

对比传统的像素级监督语义分割，使用图像级标签的弱监督语义分割（WSSS）面临的挑战是始终专注于最具差异性的区域，导致完全监督条件下的不一致。典型的表现是在目标边界上减少了精度，从而导致 WSSS 的准确性下降。为了缓解这个问题，我们提出了一种自适应将图像内容划分为确定性区域（如自信的前景和背景）和不确定性区域（如目标边界和错误分类类别）进行分别处理的方法。对于不确定性提示，我们采用基于激活的掩膜策略，并试图通过自身提炼的知识来恢复局部信息。我们进一步假设未掩膜的自信区域应具有足够的鲁棒性以保持全局语义。基于此，我们引入了一种互补的自我增强方法，它限制了这些自信区域与具有相同类别标签的增强图片之间的语义一致性。通过在 PASCAL VOC 2012 和 MS COCO 2014 上进行的大量实验证明，我们提出的 WSSS 的单阶段方法不仅明显优于最先进的基准方法，而且在复杂性换精度的多阶段方法之上。可以在此 https URL 找到代码。

Dec, 2023

双增强变换器网络用于弱监督语义分割

通过使用双增强变换网络和自正则化约束，为弱监督语义分割（WSSS）问题提供一种有效的解决方法，该方法通过将 CNN 和 Transformer 网络相结合进行相互补充学习，并在最终输出上进行增强来改善分割效果。在具有挑战性的 PASCAL VOC 2012 基准测试上进行的大量系统评估结果表明，该方法的有效性优于先前的最先进方法。

Sep, 2023

通过跨图像上下文信息的双流对比学习实现弱监督语义分割

提出了一种新颖的端到端的弱监督语义分割框架 DSCNet，通过引入像素级组对比和语义级图对比以及设计一种新的双流对比学习机制，综合处理像素级和语义级上下文信息，从而在弱监督语义分割任务中取得了优于现有方法和基准模型的结果。

May, 2024

增强弱监督分割的高保真伪标签

该论文提出了一种基于图片分类网络和概率解释 CAM 的图像级弱监督语义分割方法来改善先前弱监督下模型的性能，通过提高区域相似性和轮廓质量来增强几乎任何以前的 WSSS 方法，并在 PASCAL VOC 数据集上进行了演示。

Apr, 2023

基于像素原型对比的弱监督语义分割

本文提出了一种基于像素级原型对比度的弱监督语义分割方法，通过两种直观的先验知识，对图像的不同视角和单个视角内进行执行，旨在实施跨视图特征语义一致性规则，并促进特征空间的内部（间）类一致性（离散度），从而提高了两个强基线模型的精度，并在 PASCAL VOC 2012 上实现了新的最先进水平。

Oct, 2021

多模式基础模型增强弱监督语义分割：一种端到端方法

使用弱监督语义分割方法解决数据标注成本高的问题，通过借鉴视觉基础模型来学习对象边界从而提高分割结果的质量。

May, 2024

从不确定性推断和亲和力多样性角度解决弱监督语义分割中的模糊性问题

研究提出了 UniA，一种基于不确定性推理和亲和力多样化的统一单阶段弱监督语义分割框架，用于解决弱监督语义分割中的歧义问题，并在 PASCAL VOC、MS COCO 和医学 ACDC 数据集上验证了其有效性和优越性。

Apr, 2024

SemPLeS：弱监督语义分割的语义提示学习

我们提出了一种名为 “SemPLeS” 的框架，通过学习有效地提示 CLIP 空间，以增强分割区域与目标对象类别之间的语义对齐，从而产生训练分割模型所需的伪掩码。在 PASCAL VOC 和 MS COCO 等标准 WSSS 基准测试中，我们所提出的 SemPLeS 框架实现了最先进的性能，并通过我们学到的提示的语义可视化展示了其解释性，代码将会发布。

Jan, 2024

弱监督语义分割的自适应亲和力损失和错误伪标签优化

本文提出了将多阶段方法的关联学习嵌入到单阶段模型中，引入自适应关联损失深度学习网络，考虑到伪标签中可能存在的错误，提出了一种新的标签重新分配损失函数，本方法在 PASCAL VOC 2012 数据集上实验表明，优于其他标准单阶段方法，并达到了与多阶段方法相当的性能。

Aug, 2021

强化弱监督语义分割的双重亲和学习增强的辅助任务

提出 AuxSegNet + 框架，使用正好标定过的图片级别标签，通过关联任务 -- 显著性检测和多标签图像分类以及交叉任务亲和学习机制，改进了弱监督语义分割的性能，并在 PASCAL VOC 和 MS COCO 数据集上取得了新的最先进结果。

Mar, 2024