半监督分割模型Semi-supervised Semantic Segmentation via Strong-weak Dual-branch Network论文阅读笔记

弱半监督下混合标签训练语义分割网络

最新推荐文章于 2025-09-13 05:22:03 发布

原创

最新推荐文章于 2025-09-13 05:22:03 发布 · 2k 阅读

5 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #图像处理 #计算机视觉

文章讨论了weakly-and-semi-supervised setting下的混合标签训练问题，指出现有网络处理强弱标签方式使性能变差，原因是数据不一致和采样不平衡。作者研究过采样方法，提出dual - branch network结构，该结构能避免负面影响，采用此结构的网络性能远超其他同类网络，接近全监督网络。

这篇文章比较少见地讨论了weakly-and-semi-supervised setting下的混合标签训练问题，即如何高效地把少量精确标签和大量粗糙标签混合起来，训练出性能更高的语义分割网络。文章作者发现，现有的weakly-and-semi-supervised semantic segmentation网络采取同等的方法对待与处理strong label和weak label来训练一个single-branch network，这样做的后果是训练出来的网络性能比仅仅采用strong label时还要差，如原文图2所示：

可以看到，采用weakly-supervised网络DSRG进行实验，最终发现在strong label的基础上额外增加weak label训练single-branch network比单纯采取strong label有大幅度的性能下降，且也仅仅比全部采用weak label有略微的提升。对于这样的实验现象，作者认为主要的原因来自于strongly labeled data和weakly labeled data之间有着天然的不一致性，后者天然比前者的精度更低；此外，weakly labeled data的数量通常要比strongly labeled data要多得多，这就存在所谓的采样不平衡(sample imbalance)问题，若在训练时不采用额外的措施，网络将很容易对weakly labeled data产生过拟合，而忽略了本身精确度更高的strongly labeled data。

针对采样不平