论文阅读练习（4）

Box-driven Class-wise Region Masking and Filling Rate Guided Loss for Weakly Supervised Semantic Segmentation（CVPR2019）

【弱监督语义分割的盒驱动分类区域掩模和速率引导损失】

作者：

摘要

语义分割从采用深度FCN已经实现了很大的进步。但是，基于模型的FCN的表现严重依赖于像素标注的数量，而这项工作的花销是昂贵的且时间消耗的。针对这个问题，从带弱监督的bounding boxes学习去分割是一个好的选择。对于弱监督学习任务来说，怎样从bounding boxes中充分利用class-level和region-level的监督信息是一个重要的挑战。此文章中，首先引进一个逐类box驱动的masking模型（BCM，box-driven class-wise masking model）对每个类去除不相关的区域。进一步，从bounding box监督信息产生基于像素的分割proposal，可以计算每个类的平均填充率作为一个重要先验，然后提出一个填充率引导自适应损失（filling rate guided adaptive loss (FR-Loss)）帮助模型忽略proposals上的错误标签像素。不像之前方法直接用固定独立的分割proposal训练模型，本文模型可以用全局统计信息调整模型学习。因此它可以降低来自错误标签proposals的负影响。在PASCAL VOC 2012benchmark上评估，实验结果表明，该方法是有效的，达到了最新的结果。

问题：语义分割中像素标注问题

方法：从bounding box中获取全局统计信息——proposal的平均填充率指导模型训练，作用忽略错误标签像素引起的负影响。

效果：