弱监督实例分割方法解析

接缝 的。 您还可以从下载存储库 抽象的 图像级弱监督语义分割是近年来深入研究的一个具有挑战性的问题。 大多数高级解决方案利用类激活图 (CAM)。 然而，由于全监督和弱监督之间的差距，CAM 很难作为对象掩码。 在本文中，我们提出了一种自监督的等变注意机制（SEAM）来发现额外的监督并缩小差距。 我们的方法基于观察到等方差是完全监督语义分割中的隐式约束，其像素级标签在数据增强期间采用与输入图像相同的空间变换。 然而，这种约束在通过图像级监督训练的 CAM 上丢失了。 因此，我们建议对来自各种转换图像的预测 CAM 进行一致性正则化，以提供网络学习的自我监督。 此外，我们提出了一个像素相关模块（PCM），它利用上下文外观信息并通过其相似的邻居细化当前像素的预测，从而进一步提高 CAM 的一致性。 在 PASCAL VOC 2012 数据集上进行的大量实验表明，我们的方法优于使用相同监督级