IPixMatch: 提升半监督语义分割的互像素关系
内容提要
本文提出了一种新颖的实例分割方法，通过图像级别的类标签生成伪标签，训练完全监督模型。利用 IRNet 从图像分类模型的注意力图中识别种子区域，准确估计实例边界。该方法在 PASCAL VOC 2012 数据集上表现优异，超越了以往的先进模型。
延伸解读
弱监督实例分割的监督级别对比
文章指出，IPixMatch 仅使用图像级别的类标签作为监督，而以往一些方法依赖更强的监督（如像素级标注）。在 PASCAL VOC 2012 上，IPixMatch 不仅超越了同级别监督的最先进模型，还超过了一些使用更强监督的模型。这表明，通过合理利用注意力图中的像素间关系，可以在不增加标注成本的情况下取得有竞争力的性能。
IRNet 如何从注意力图生成伪标签
IRNet 首先从图像分类模型的注意力图中识别与对象类别相关的种子区域，然后基于注意力图训练的像素间关系，将种子区域传播到整个实例区域，从而估计出准确的边界并为种子分配实例标签。这一过程不需要额外的监督，完全由图像级标签驱动，为弱监督实例分割提供了一种有效的伪标签生成途径。
方法在领域发展中的位置
文章在介绍 IPixMatch 的同时，也回顾了 2019 年至 2024 年间半监督语义分割领域的多项进展，包括对比学习、度量学习、一致性正则化等。IPixMatch 与这些工作共享利用未标记数据或弱监督信号的核心思想，但专注于实例分割任务，并通过像素间关系建模来提升伪标签质量，体现了该领域从语义分割向实例分割的扩展趋势。
Q&A
IPixMatch方法的核心思想是什么？
IPixMatch方法通过图像级别的类标签生成伪实例分割标签，以训练完全监督模型。
IRNet在IPixMatch中起什么作用？
IRNet用于从图像分类模型的注意力图中识别种子区域，准确估计实例边界。
IPixMatch在PASCAL VOC 2012数据集上的表现如何？
IPixMatch在PASCAL VOC 2012数据集上表现优异，超越了以往的先进模型。
使用图像级别类标签生成伪标签的好处是什么？
这种方法可以有效利用未标记数据，提升实例分割的准确性。
IPixMatch与传统的监督学习方法有什么不同？
IPixMatch通过生成伪标签进行训练，而传统方法通常依赖于大量标记数据。
IPixMatch的实现是否需要额外的监督？
不需要，IRNet基于注意力图训练像素间关系，无需额外监督。
