TPAMI 2024 | 基于框驱动掩模和填充率偏移的弱监督语义分割

题目：Weakly Supervised Semantic Segmentation via Box-Driven Masking and Filling Rate Shifting

基于框驱动掩模和填充率偏移的弱监督语义分割

作者：Chunfeng Song; Wanli Ouyang; Zhaoxiang Zhang

源码链接： https://github.com/developfeng/BCM

---

摘要

语义分割通过采用深度全卷积网络（FCN）取得了巨大进展。然而，基于FCN的模型的性能严重依赖于像素级注释的数量，这些注释既昂贵又耗时。考虑到边界框也包含丰富的语义和客观信息，一个直观的解决方案是利用边界框中的弱监督来学习分割。如何充分利用边界框中的类级和区域级监督来估计不确定区域是弱监督学习任务的关键挑战。在本文中，我们提出了一个混合模型来解决这个问题。首先，我们引入了一个由边界框驱动的类特定掩码模型（BCM），以去除每个类的不相关区域。此外，基于从边界框监督生成的像素级分割提议，我们计算每个类的填充率的平均值，