消除输入伪标签对中的不一致掩码
内容提要
该文综述半监督与弱监督图像分割研究，涵盖GuidedMix-Net（用标记数据指导未标记数据，结合特征对齐与伪标签提升mIoU）、图像级标签实例分割、MaskMatch多尺度集成、弱监督视频实例分割、医学影像标注者可靠性学习、mixup伪标签分类、合成图像训练、自一致性篡改检测及域移位主动学习等方法。
延伸解读
半监督分割的伪标签质量提升
文章指出，GuidedMix-Net通过标记数据指导未标记数据学习，并利用特征对齐和互信息传输融合特征，同时设计伪标签生成模块以提高伪标签质量。这表明在半监督分割中，伪标签的可靠性是关键，而借助标记数据的信息来优化伪标签是一种有效策略。
弱监督与半监督方法在不同任务中的适应性
文章涵盖了图像级标签实例分割、弱监督视频实例分割、医学影像标注者可靠性学习等多个任务。这些方法针对不同监督程度和数据特性设计，例如MaskMatch利用多尺度集成提升细粒度感知，而医学影像方法则关注标注者不一致性。这提示读者，方法选择需结合具体任务和数据特点。
数据增强与合成数据在缓解标注负担中的作用
文章提到mixup增广、强数据增强以及合成图像训练等方法，这些技术旨在减少对大量标注数据的依赖。例如，基于伪标签的半监督分类利用mixup和每批次有标注样本限制来避免过拟合，而合成图像训练则通过生成丰富样本来达到与真实图像相当的性能。
域移位下的主动学习与自一致性学习
针对域移位问题，文章介绍了一种基于区域的主动学习方法，通过新采集策略和本地预测一致性，仅需少量注释即可接近监督性能。同时，自一致性学习被用于弱监督图像篡改检测，通过多源一致性和跨补丁一致性提升泛化能力。这些方法展示了在复杂场景下减少标注并保持性能的潜力。
Q&A
GuidedMix-Net 是如何利用标记数据来指导未标记数据学习的？
GuidedMix-Net 采用特征对齐和互信息传输的方法进行特征融合，并利用伪标签生成模块生成高质量伪标签，联合训练标记数据和伪标签，从而提升分割精度和 mIoU。
使用图像级别标签进行实例分割的两阶段框架具体是怎么做的？
该框架分为两个阶段：首先训练分类器生成伪掩模，然后在这些伪掩模上训练完全监督的 Mask R-CNN。在 PASCAL VOC 2012 数据集上实验表明，相对于现有方法主要性能有所提高。
MaskMatch 在半监督语义分割中有什么作用？
MaskMatch 通过应用多尺度集成策略，实现了对半监督语义分割任务中细粒度局部语义的更好感知和更准确的分割。
在医学影像分割中，如何处理多个标注者之间的不一致性？
可以使用两个耦合的 CNN 从纯噪声观察中联合学习单个标注者的可靠性和真实分割标签分布。该方法在三个公共医学影像分割数据集上表现良好，尤其在注释数量较少且出现较大不一致性的情况下。
基于伪标签的半监督图像分类如何避免过拟合？
利用 mixup 增广和每个 mini-batch 至少有数量的有标注样本的限制，可以解决伪标签带来的过度拟合问题，并在多个数据集上取得了最新的结果。
弱监督图像篡改检测如何实现与全监督方法相媲美的性能？
通过基于自一致性学习的弱监督方法，学习多源一致性和跨补丁一致性来改进图像篡改检测的泛化能力和篡改区域的定位效果，从而实现与全监督方法相媲美的性能表现。
