南开大学 | LUSS：大规模无监督语义分割

论文标题：Large-scale Unsupervised Semantic Segmentation

论文链接：https://arxiv.org/abs/2106.03149

数据集链接：https://github.com/UnsupervisedSemanticSegmentation/ImageNet-S

作者单位：南开大学 & 加利福尼亚大学默塞德分校

创建了ImageNet-S 数据集，具有120万张训练图像和 4万张像素级标注评估图像，类别覆盖50种到919种，并提出一种有效baseline，数据集即将开源！

在 ImageNet 数据集的支持下，大规模数据的无监督学习在分类任务方面取得了重大进展。为分割任务提供如此有吸引力的学习模式有两个主要挑战：i）缺少用于评估算法的大规模基准； ii) 无监督的形状表示学习很困难。 我们提出了一个新的大规模无监督语义分割 (LUSS) 问题，使用新创建的基准数据集来跟踪研究进展。 基于 ImageNet 数据集，我们提出了具有 120 万张训练图像和 4 万个高质量语义分割注释的 ImageNet-S 数据集进行评估。我们的基准测试具有很高的数据多样性和明确的任务目标。 我们还提出了一种简单而有效的基线方法，它对 LUSS 的效果出奇地好。此外，我们相应地对相关的非/弱监督方法进行了基准测试，确定了 LUSS 的挑战和可能的方向。

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