A Three-Stage Self-Training Framework for Semi-Supervised Semantic Segmentation 论文链接：https://arxiv.org/abs/2012.00827 代码链接：https://github.com/RK621/ThreeStageSelftraining_SemanticSegmentation 表现SOTA！代码即将开源！作者单位：剑桥大学, KritiKal Solution

语义分割已在社区中得到广泛研究，其中，最新技术基于监督模型。这些模型报告了空前的性能，但需要一大套高质量的分割mask。获得这样的注释是非常昂贵和费时的，特别是在需要像素级注释的语义分割中。在这项工作中，我们通过提出一个整体解决方案来解决此问题，该解决方案被构造为针对半监督语义分割的三阶段自训练框架。我们技术的关键思想是提取伪mask统计信息，以减少预测概率的不确定性，同时以多任务方式实施分割一致性。我们通过三个阶段的解决方案来实现这一目标。首先，我们训练一个分割网络来产生粗糙的伪掩模，其预测概率是高度不确定的。其次，我们随后使用多任务模型来降低伪掩码的不确定性，该模型在确保一致性的同时利用数据的丰富统计信息。我们将我们的方法与现有的半监督语义分割方法进行了比较，并通过大量实验证明了其最新性能。

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