2018 CVPR之语义分割：Weakly-Supervised Semantic Segmentation Network with Deep Seeded Region Growing-优快云博客

本文链接：https://blog.youkuaiyun.com/qq_41967539/article/details/105270676

本文介绍了弱监督语义分割网络，利用深度学习和种子区域生长方法，通过分类网络生成种子，结合平衡种子损失和边界损失进行训练。这种方法在仅使用图像级标注的情况下，能够生成更准确、更完整的分割结果，提高了弱监督语义分割的性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Weakly-Supervised Semantic Segmentation Network with Deep Seeded Region Growing
当前的问题及概述：
在语义分割任务中，为了减少人工标注的数据量，现在的很多算法转移到了弱监督任务（有image-level标注，无pixel-level标注）上，目前研究该问题的方法主要是利用深度网络对每个对象类的稀疏区域和描述区域进行推理，然后用判别区域作为监督训练语义分割网络。

本文提出的弱监督网络利用图像中的虚拟信息生成新的标签。从判别区域出发训练语义分割网络，逐步增加种子区域生长的像素级监督。将基于区域相似准则的种子区域生长模块集成到深度分割网络中，利用深度特征进行匹配。
模型及loss：
2.1Seed generation with classification network：
在这里插入图片描述
本文使用CAM方法来进行前景分类。Backbone选用VGG-16网络，在conv7应用全局平均池(GAP)并通过分类器生成每个对象类的热图。在此基础上，通过对热图施加一个阈值，得到有区别的目标区域。同样，我们对背景进行同样的seed cues，像素值较低的区域作为背景。结果的seed cues从前景和背景堆叠到一起，成为一个单一的通道分割mask。图1可以看到，本文框架将区域生长模块以seed cues和分割图为输入，产生潜在的像素级监督，比仅有seed cues更准确、更完整。
2.2Seeding loss After
在获得seed