无监督语义分割的渐进式代理锚点传播
内容提要
本文探讨了无监督领域自适应（UDA）的挑战，提出了增强锚点的标签传播算法（A2LP），通过生成高置信度标签的虚拟实例来改进传统方法。研究还涉及自适应蒙版代理、对比学习和无监督类增量学习等技术，以提高样本效率和模型性能，实验证明这些方法在多个数据集上表现优异。
延伸解读
A2LP 如何改进标签传播
A2LP 针对无监督域自适应中标签传播的不足，通过生成带有高置信度标签预测的未标记虚拟实例（即增强锚点）来改进传统 LP。实验表明，作为简单的 WSL 扩展，A2LP 能改进基准 UDA 技术，并强化两种最先进的方法。这提示读者，在域自适应任务中，利用未标记数据生成可靠虚拟样本是一种有效策略。
自适应蒙版代理提升样本效率
自适应蒙版代理方法利用多分辨率平均池化对带标签的基础嵌入进行掩蔽，作为新类别的正代理，并与之前学习到的类别签名融合。该方法在 PASCAL-5^i 数据集上表现出明显优势，且能与二进制运动和基于外观的分割网络一同使用。作者还提出了 incremental PASCAL (iPASCAL) 评估方法，比基线表现更出色，为连续学习目标分割提供了新基准。
对比学习与渐进策略实现 SOTA
通过挖掘隐藏正样本学习丰富的语义关系并确保局部语义一致性，研究者引入对比学习来解决任务特定训练指导和局部语义一致性缺乏考虑的问题，并采用渐进策略逐步提高模型捕获任务特定语义特征的能力。在 COCO-stuff、Cityscapes 和 Potsdam-3 数据集上实现了最新的 SOTA 结果，表明该方法在多个场景下具有通用性和有效性。
无监督类增量学习减轻灾难性遗忘
该无监督类增量学习方法在无标签集上发现新类别，通过在有标签数据集上微调特征提取器和代理锚点，并在无标签数据集上对样本进行旧类别和新类别的划分和聚类。利用基于代理锚点的示例生成代表性类别向量以减轻灾难性遗忘。实验证明，在真实场景下的细粒度数据集上优于现有技术手段，为无监督增量学习提供了新思路。
Q&A
什么是增强锚点的标签传播算法（A2LP）？
A2LP是一种通过生成高置信度标签的虚拟实例来改进传统标签传播的方法，旨在提高无监督领域自适应的效果。
自适应蒙版代理方法如何提高样本效率？
自适应蒙版代理方法利用多分辨率平均池化技术对带标签的基础嵌入进行掩蔽，从而提高样本效率。
对比学习在无监督语义分割中有什么作用？
对比学习用于解决任务特定训练指导和局部语义一致性问题，帮助模型捕获任务特定的语义特征。
无监督类增量学习方法的优势是什么？
无监督类增量学习方法通过微调特征提取器和代理锚点，能够在无标签数据集上发现新类别，并减轻灾难性遗忘。
如何提高模型对标注噪声的鲁棒性？
通过视频预测方法合成新训练样本，并引入边界标签松弛技术，可以提高模型对标注噪声的鲁棒性。
渐进式补丁学习方法的主要贡献是什么？
渐进式补丁学习方法通过提高弱监督语义分割中的局部细节提取能力，超越了大多数现有的弱监督语义分割方法。
