像素级掩码标记非常耗时且繁琐,简单对每类语义划一条线作为标记,使用简笔标记的结果训练卷积网络进行语义分割,将降低标记人员工作量。基于图模型将简笔标记的信息,结合空间约束、外观及语义内容,传播到未标记的像素上。
在PASCAL VOC上的简笔标记数据:
http://research.microsoft.com/en-us/um/people/jifdai/downloads/scribble_sup
使用简笔标记的结果训练卷积网络,属于弱监督学习,处于图像级标记和box级标记之间。与图像级标记相比,简笔提供了若干像素的位置信息。与box级标记相比,简笔标记物体边界信息比较模糊,简笔标记更有挑战性。
简笔监督学习
简笔标记与像素级mask标记的区别如下图所示:
训练算法的两个任务:标记传播,语义分割。
- 目标函数
使用图模型进行像素传播,图中的点表示超像素,边表示超像素间的相似度,图模型如下图所示:
目标函数为:
其中 ψi 是包含超像素 xi 的一元项, ψ