Multi-Level Label Correction by Distilling Proximate Patterns for Semi-supervised Semantic Segmentation

本文提出了一种名为“多级标签校正（MLLC）”的算法，旨在利用图神经网络捕捉语义级别图（SLG）和类别级别图（CLG）中的结构关系，以纠正错误的伪标签，从而缓解对大规模标注数据的依赖。具体而言，SLG表示像素特征对之间的语义关联，CLG描述像素标签对之间的分类一致性。MLLC利用图形提供的近似模式信息，能够纠正错误的伪标签，并有助于区分特征表示。我们设计了一个端到端的网络来训练和执行这种有效的标签校正机制。实验表明，MLLC可以显著提高监督基线，并在Cityscapes和PASCAL VOC 2012数据集的不同场景下优于现有的最先进方法。具体而言，MLLC在不同的分区协议下，使用DeepLabV2和DeepLabV3+至少提高了监督基线5％和2％。

该论文旨在解决半监督语义分割中伪标签不可靠的问题，提出了一种基于图神经网络的多层标签校正算法（MLLC）。

MLLC利用Semantic-Level Graphs (SLGs)和Class-Level Graphs (CLGs)中的结构关系来矫正错误的伪标签，从而提高半监督语义分割的性能。

论文在Cityscapes和PASCAL VOC 2012数据集上进行了实验，证明了MLLC可以显著提高监督基线，并且在不同的情况下优于当前最先进的方法。该论文的亮点包括：使用图神经网络进行标签校正，设计了端到端的网络，实验结果表明MLLC可以提高监督基线5%至2%，并且在两个数据集上都取得了最佳性能。

在半监督语义分割领域的相关研究包括：Mean-Teacher、VAT、AdvSemiSeg等。