DuPL: Dual Student with Trustworthy Progressive Learning for Robust Weakly Supervised Semantic Segmentation

最近，由于相对于多阶段方法而言，一阶段仅使用图像级标签的弱监督语义分割（WSSS）方法变得更加简化，因此备受关注。然而，由于类激活图（CAM）固有的模糊性，我们观察到一阶段方法往往会遇到由于错误的CAM伪标签导致的确认偏差，从而损害了最终的分割性能。尽管最近的一些研究通过丢弃许多不可靠的伪标签来隐式缓解这个问题，但他们未能充分利用模型的监督信息。因此，我们提出了一种具有可靠的渐进学习的双学生框架（DuPL）。具体地，我们提出了一个具有差异损失的双学生网络，为每个子网络产生不同的CAM，从而减轻了由于学习自己的错误伪标签而导致的确认偏差。在此过程中，我们通过自适应噪声过滤策略动态调整阈值，逐步引入更可靠的伪标签进行监督。此外，我们认为即使由于其不可靠性而被丢弃，每个像素对于WSSS也很重要。因此，我们对这些被丢弃的区域进行一致性正则化，提供每个像素的监督。实验结果表明，所提出的DuPL在PASCAL VOC 2012和MS COCO数据集上优于最近的最先进的替代方法。代码可在https://github.com/Wu0409/DuPL上获得。

本文试图解决一阶段弱监督语义分割中由于CAM伪标签不正确导致的确认偏差问题，提出了一种双学生框架和可信渐进学习的解决方案。

本文的关键思路是通过双学生网络和差异损失产生多样化的CAM，相互生成监督信号以减轻伪标签带来的确认偏差问题，并通过自适应噪声过滤策略动态调整阈值，逐步引入更可信的伪标签参与监督。

本文的亮点在于提出了双学生框架和可信渐进学习的解决方案，并在PASCAL VOC 2012和MS COCO数据集上展示了其优越性。同时，本文还开源了代码。

最近在这个领域中，还有一些相关的研究，如：Weakly Supervised Semantic Segmentation with a Generative Model、Learning to Learn from Noisy Labeled Data、Saliency Guided Weakly Supervised Semantic Segmentation等。