BoxSup: Exploiting Bounding Boxes to Supervise Convolutional Networks for Semantic Segmentation

BoxSup: Exploiting Bounding Boxes to Supervise Convolutional Networks for Semantic Segmentation

原文链接：https://arxiv.org/abs/1503.01640

Abstract

• 目前的语义分割任务主要采用像素级（pixel-level）的分割标签，但像素级的分割标签比较难以获取，导致深度学习模型难以用更多的数据去训练。
• 本文提出的方法（BoxSup）采用目标框（bounding box)的分割标签，基本思想是在自主生成region proposals和训练CNN之间迭代，逐渐实现生成适合于分割的标签，并优化分割网络。
• 在相同的情况下，本文提出的弱监督方案分割结果（62.0%mAP）接近强监督模型（63.8%mAP）。

Main Contribution

作者采用FCN作结合CRF作为Baseline，CRF主要用于处理FCN的输出结果，损失函数如下。

由于缺少像素级标签，因此需要从gt Box中生成合适的像素级标签。作者采用无监督region proposal methods（Multiscale Combinatorial Grouping）在gt Boxs中生成候选片段（candidate segments）。主要优势如下：首先 region proposal 具有较高的召回率，此外该方法生成的候选区域差异性较大，具有数据增强的效果。生成的candidate segments用于更新FCN，同时FCN学习到的语义特征信息可以得到更好的candidates。两者迭代。在训练过程中，生成candidate segments为固定的，但是其标签（即属于哪一类）随着FCN的训练而变化。

对于GT Box，作者希望得到的condidate Mask尽可能覆盖整个box，因此定义了以下损失函数。其中 计算B与S之间的语义标签是否一致。

在有了candidate masks和想对应的语义标签后，就可以监督训练FCN。其中损失函数如下。该公式与公式（1）相一致，即用condidate masks及所对应的语义标签来训练FCN。

文章最终损失函数是公式（2）与公式（3）的结合。如果只含有公式3，会导致优化方向去找到最大的IoU值，如果是只含有公式4，那么优化方向是去训练FCN。

How to train

由于公式4包含两个优化方向，因此如何找到这两个问题的局部最优解是个问题。解决方案主要包含两个步骤。

第一步 首先固定FCN的参数，对所有的candidate segments更新语义标签。作者首先假设，每一个GT Boxs中只含有一个语义标签，且只有一个candidate。基于此假设，相对容易从gt box中的candidate segments挑选出一个，相对于公式（4）而言，损失最小的candidate segment，并更新其语义标签。GT box中的其他像素点设置为背景。但是这种方法，容易导致选出相似的candidate segments，从而造成局部最优。为了增加样本的复杂度，作者采用随机的方法从GT Boxs中随机挑选出公式（4）loss值最大的 前k（文中k为5）的candidate segments。

第二步 采用步骤一中的具有语义标签的candidate segments，训练FCN。