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: