论文是发表在NIPS 2015年上的论文。
文章目录
概述
- 解决的问题
- 半监督语义分割。
- 采用的方法
- 【在Abstract部分也说了】在当时,许多的方法都是将语义分割作为基于区域分类的单任务问题。
- 所以这篇论文就提出了一个将语义分割解耦为分割和分类问题的半监督网络。且分割和分类两个任务的网络是单独训练。【半监督处于弱监督和全监督之间】
- 文章说了这么做有几个好处:(1) training does not require iterative procedure, (2) algorithm is easy to reproduce,(3) 两个网络单独训练可以为分割减少搜索空间。
- 结果
- 相较于当时的半监督学习方法,在PASCAL VOC数据集上取得了十分不错的成绩。
- Contributions
- 文章中也引用了FCN和DeepLabv1,但是paper说这些论文需要大量的pixel-wise的Groud truth,无疑会带来很大的代价。会导致这种全监督的网络很难去扩展到类别特别多的数据中。
- 另一些半监督或者弱监督方法,会缓解上述的数据标注问题