弱监督语义分割模型--AE-PSL论文阅读笔记

AE-PSL是文章所提出的两种主要方法，Adversarial Erasing和Prohibitive Segmentation Learning的简称，这两种方法共同组成了作者所提出的基于对抗擦除、在线辅助学习的Image-level弱监督语义分割模型。

文章的motivation仍然是解决CAM网络仅对小面积且稀疏的显著区域产生响应的问题。作者注意到，既然CAM网络挖掘物体最显著区域的能力那么强，那么如果采用迭代的思想，将CAM网络每一次挖掘到的图片最显著区域擦除掉，再将擦除后的图片输入CAM网络，那么为了保持分类网络的准确性能，CAM网络将再次挖掘到其他的物体显著区域。作者认为，迭代地重复上述对抗擦除-显著区域挖掘的操作直至CAM网络的分类损失不再很好地收敛，合并历次的擦除区域将便能获得稠密且完整的像素级物体分割标签。

原文图2即为AE方法的工作原理框图。可以看到，AE方法每一轮都以对抗擦除显著区域后的图片作为训练集，训练CAM的分类性能直至收敛，并获取当前轮次的物体显著区域。随着迭代轮次的增加，已擦除的显著区域逐渐充满了目标物体的整个区域范围。此外，作者采用AE-CAM的方法挖掘图片的前景物体区域，而采用经典的目标显著性检测网络DRFI挖掘图片的背景物体区域，将前后景区域归并后得到最终的监督训练标签。如原文图3(a)所示。