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

这篇论文提出了一种名为Multi-Level Label Correction（MLLC）的算法，旨在利用图神经网络捕捉Semantic-Level Graphs（SLGs）和Class-Level Graphs（CLGs）中的结构关系，以纠正错误的伪标签。具体而言，SLGs表示像素特征对之间的语义亲和力，而CLGs描述像素标签对之间的分类一致性。在图形的支持下，MLLC可以纠正错误的伪标签，并促进具有辨别力的特征表示。作者设计了一个端到端的网络来训练和执行这个有效的标签纠正机制。实验表明，MLLC可以显著提高监督基线，并在Cityscapes和PASCAL VOC 2012数据集的不同场景中优于最先进的方法。具体而言，在不同的分区协议下，MLLC可以使DeepLabV2和DeepLabV3+的监督基线分别提高至少5%和2%。

本文旨在通过利用未标记数据来缓解对大规模标记数据的依赖，提出了一种名为MLLC的算法，以修正伪标签中的错误。

MLLC利用图神经网络来捕捉语义级别图（SLGs）和类别级别图（CLGs）中的结构关系，以纠正伪标签的错误，并促进辨别特征表征。

实验表明，MLLC可以显著提高监督基线，并在Cityscapes和PASCAL VOC 2012数据集上在不同场景下优于最先进的方法。

最近的半监督语义分割方法主要采用伪标签方法来利用未标记数据。