论文标题：Background-Aware Pooling and Noise-Aware Loss for Weakly-Supervised Semantic Segmentation

论文链接：https://arxiv.org/abs/2104.00905

主页链接：https://cvlab.yonsei.ac.kr/projects/BANA/

作者单位：延世大学

提出背景感知池化(BAP)，可利用边界框注释生成高质量的伪分割标签，还提出噪声感知损失(NAL)，表现SOTA！性能优于BCM、ICD等网络，代码即将开源！

我们使用边界框注释解决弱监督语义分割（WSSS）的问题。尽管物体边界框是分割相应对象的良好指示符，但它们没有指定物体边界，因此很难训练卷积神经网络（CNN）进行语义分割。我们发现背景区域在图像中部分在感知上是一致的，并且可以利用该区域来区分物体边界框内的前景和背景区域。为了实现这个想法，我们提出了一种新颖的池化方法，称为背景感知池化（BAP），该方法更多地关注于使用注意力图在边界框内聚合前景特征。这允许提取高质量的伪分割标签以训练CNN进行语义分割，但是这些标签仍然包含噪音，尤其是在物体边界处。为了解决此问题，我们还引入了噪声感知损失（NAL），使网络不太容易受到标签错误的影响。实验结果表明，使用我们的伪标签进行的学习已经优于PASCAL VOC 2012数据集上的最新的弱监督和半监督方法，并且NAL进一步提高了性能。

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