[Semi-笔记]Switching Temporary Teachers for Semi-Supervised Semantic Segmentation

halooy

已于 2024-03-27 11:31:24 修改

阅读量1.1k

点赞数 22

分类专栏： CV 文章标签：笔记人工智能机器学习

于 2024-03-27 11:27:28 首次发布

本文链接：https://blog.csdn.net/m0_49619206/article/details/137066176

版权

CV 专栏收录该内容

9 篇文章 1 订阅

订阅专栏

本文介绍了一种新颖的双位教师方法，通过交替使用临时教师生成伪标签，缓解了半监督语义分割中EMA更新导致的权重耦合。同时，通过隐式一致性学习增强学生模型多样性，教师和学生模型间形成良性循环，提升整体性能。

摘要由CSDN通过智能技术生成

概要

半监督语义分割中流行的师生框架，主要采用指数移动平均（EMA）来更新单个教师的权重。然而，EMA 更新提出了一个问题，即教师和学生的权重耦合，导致潜在的性能瓶颈。此外，当使用更复杂的标签（例如分割掩模）进行训练但注释数据很少时，这个问题可能会变得更加严重。本文介绍了双位教师，这是一种简单而有效的方法，采用双位临时教师，旨在缓解学生的耦合问题。临时老师轮班工作，逐步提高，始终防止师生关系过于亲密。具体来说，临时教师定期轮流生成伪标签来训练学生模型，并保持每个时期学生模型的独特特征。

创新一：Dual Temporary Teacher

挑战：

半监督语义分割中流行的师生框架主要采用指数移动平均（EMA）来基于学生的权重更新单个教师的权重。问题：教师与学生的权重正在耦合，从而导致潜在的绩效瓶颈。此外，当使用更复杂的标签（例如分割掩模）进行训练但使用很少的注释数据时，这个问题可能会变得更加严重。解决：双师制，旨在缓解学生耦合问题。
Mean Teacher使用学生模型的 EMA 权重更新教师模型，而不是从集成角度与学生模型共享权重。尽管这一师生框架展现了重大影响，但一个关键问题是耦合问题，其中紧密耦合的权重会降低性能。

解决：

在半监督语义分割的背景下，我们的目标是减轻传统师生框架中采用的单个 EMA 更新例程引起的耦合问题。在改进教师模型的关键因素中，我们主要注意到的是学生模型的多样性，我们努力通过建立学生模型的多样性增强教师模型的良性循环来防止随着训练的进行教师和学生模型变得过于相似。反过来，改进后的教师保留了学生的多元化观点，并有效地指导了学生模型。由于学生更新了每位 EMA 教师，由于整体效应，教师在学生多样化的同时得到了增强。强化后的教师模型随后可以向学生模型提供更精细的监督信号。
该文引入了一个简单而有效的框架——双教师：一种临时EMA教师模型交替生成伪标签来指导学生模型的方法；同时，学生模型使用其自身权重的指数移动平均值更新教师模型的权重。我们声称，引入额外的 EMA 教师可以通过提供独特且多样化的监督来促进学生的多元化。如图所示，双教师由一对教师-学生模型组成，其中两个临时教师模型在训练过程中每个时期都会切换以教授单个学生模型。
在这里插入图片描述
与之前的研究类似，采用强增强图像作为学生模型的输入，采用弱增强图像作为教师模型的输入，以确保可靠的伪标签。然而，我们没有采用传统的依赖单一固定教师模型的师生框架，而是引入了每个时期交替激活的双临时教师，为学生模型提供了多样化的指导。临时 EMA 教师捕捉学生模型不断变化的时间知识，在不同的时间步上表现得像一个时间集合。

强大的增强池

为了使学生模式更加多样化，我们不仅仅依靠 EMA 教师模式，尽管有交替的双教师。为了进一步确保多样性，我们通过在每个时期转移临时教师模型时改变应用于学生模型的强增强类型来提供多样性。我们通过构建预定义但非确定性的强增强池来实现这一点，包括精细类级别和粗略区域级别增强（即 ClassMix 和 CutMix）。每个训练时期从池中随机采样一个增强，限制连续时期不使用相同的增强。

更新学生和教师

简而言之，临时教师模型的使用有助于将多样性引入学生模型，而学生模型获得的多样性特征有助于教师模型的增强。学生模型的目标函数定义如下：
在这里插入图片描述
（2）

其中 Bu 表示训练批次中未标记图像的数量，图像大小为 H ×W，第 i 个图像上的第 j 个像素，未标记输入应用强增强的学生模型的预测 pu ij，以及相应的伪标签 ˆyu ij来自教师模型。 λu 是一个标量超参数，用于调整无监督损失权重。
其中一名临时教师在每个时期交替激活，并通过 EMA 权重保留学生模型的特征。第 k 个临时教师 k ∈ {1, …, tn} 在每个 epoch 交替切换；第 k 个临时教师的参数 θk t 根据学生参数 θs 通过 EMA 通过式（2）进行更新。

创新二：Implicit Consistency Learning（隐式一致性学习）

挑战：

解决：

我们从一致性正则化的角度引入了另一种隐式集成学习来增强我们的学生模型。在[14,38,10]的推动下，我们鼓励层子集在学生模型中活跃，并且所有这些子模型做出一致的预测。与之前的研究[38, 2]相比，在同一模型中的完整模型和子模型之间强制执行一致的预测，我们在学生模型和完整教师模型的子模型之间强制执行一致性。我们通过多功能随机深度 [14] 在学生模型中构建子模型，适用于从 CNN 模型到基于 Transformer 的模型。因此，学生模型通过以下目标函数进行训练：
在这里插入图片描述

其中~θs表示学生模型的子模型参数，下降率为τ，B是训练批次中的图像数量。请注意，我们只对教师和学生模型的输入应用弱增强，这与等式 1 不同。 3，我们分别向学生模型提供强增强输入，向教师模型提供弱增强输入。最后这个loss配合Lunsup来更新学生模型。

实验结果

在这里插入图片描述

小结

该文引入了一种新颖的双教师框架来解决广泛使用的师生框架中由 EMA 更新引起的耦合问题。从隐式集成学习的角度提出了一种简单而有效的方法，而不是依赖于显式集成的现有解决方案。
（1）缓解传统师生框架中使用的单一EMA更新例程所引起的耦合问题。努力防止教师和学生模式变得过于相似，建立一个良性循环，在这个循环中，学生模式的多样性增强了教师模式。
（2）经过改进的教师保留了学生的不同观点，并有效地指导了学生模式。由于学生更新了每一位EMA老师，由于合奏效应，老师在使学生多样化的同时得到了增强。强化的教师模型随后可以向学生模型提供更精细的监督信号。