论文链接：https://arxiv.org/abs/2106.03149

代码链接：https://github.com/LUSSeg

本文提出了一个用于 LUSS 任务的基线方法（名为PASS），包含自监督表征学习，伪标签生成和微调三个步骤。对于自监督表征学习，我们提出了

1. 一种非对比的像素级表征对齐策略，以在不损害类别表征的情况下增强像素级的表征。

2. 一个提高网络中间层表征质量的自深到浅的监督策略。

以上两种策略保证模型学到高质量且可共存的形状和类别表征信息。在标签生成阶段，我们提出了一种像素注意力机制来突出对类别贡献大的语义区域，以实现在大数据量下高效的像素级伪标签生成和微调。

PASS方法首次实现大规模的无监督语义分割（可视化结果见图表5），且相较于针对小规模数据设计的无监督语义分割方法有明显优势（见图表6）。此外如图表7所示，针对LUSS任务训练的PASS模型可以作为预训练模型提升下游有监督分割任务的性能。

PASS方法开源代码：https://github.com/LUSSeg/PASS

内容中包含的图片若涉及版权问题，请及时与我们联系删除