基于伪标签自细化的弱监督实例分割

作者：吴仕科; 梁宇琦

来源：计算机应用研究, 2023, 40(06): 1882-1887.

DOI：10.19734/j.issn.1001-3695.2022.10.0477

• 实例分割
• 弱监督学习
• 图像级别标注
• 视觉理解

大多数弱监督实例分割方法利用类激活图生成的伪标签以及多阶段的训练策略，在实例分割上取得了不错的性能，但这些方法在检出物体完整性上仍然面临许多挑战。针对上述问题，提出了一种基于伪标签自细化的弱监督实例分割方法(pseudo-label self-refinement, PLSR),即在训练过程不断地利用网络自身的结果筛选、聚合候选区域得到各分支的伪标签，保障并逐步提升伪标签的质量，最终提高实例分割的性能。在Pascal VOC2012和MS-COCO数据集上进行实验，与现有的弱监督实例分割方法进行对比，AP50分别提高了1.6%和1.9%。实验结果表明，伪标签自细化方法能够有效利用候选区域的形状信息以及网络自身的语义信息提升伪标签的质量并取得了良好的分割效果，最终提高了弱监督实例分割的性能。

• 单位
  华南理工大学