基于伪标签的半监督语义分割综述
内容提要
该文综述半监督与弱监督语义分割方法，利用少量标注和大量无标签数据，通过伪标签、自训练、教师模型、主动学习及视觉-语言嵌入等技术降低标注成本，在PASCAL VOC、Cityscapes等数据集上达到最优性能并提升跨域泛化能力。
延伸解读
伪标签与自训练：降低标注成本的核心路径
文章指出，半监督语义分割的核心思路是利用少量标注数据训练教师模型，再为大量无标签数据生成伪标签，从而以较低监督成本实现像素级准确模型。自训练范式在Cityscapes、CamVid和KITTI等数据集上取得最优表现，并提升了跨域泛化能力。为应对伪标签带来的计算负担，文章还提到一种快速训练计划来加速模型训练。
从半监督到弱监督：标注形式的多样化探索
除半监督外，文章还涉及弱监督方法。例如，有研究仅依赖查询点标注而非完整掩码标签，通过生成超像素将点标签扩展为伪标签来训练分割模型，在航空图像数据集上达到与全监督相竞争的性能。另有工作结合主动学习与半监督学习，进一步减少标注样本数量。这些方法共同表明，降低标注成本存在多种技术路径。
视觉-语言嵌入与测试时增强：无需分割掩码的新思路
文章提到一种基于视觉-语言嵌入模型和测试时增强技术的无监督伪标记方法，能够在不需要训练语义分割网络或看到任何分割掩码的情况下，为每个对象创建语义分割遮罩。这代表了利用多模态模型进行分割的新方向，可能进一步减少对人工标注的依赖，但其具体效果和适用场景需结合原文实验评估。
跨域泛化与计算效率：实际部署需关注的两大挑战
文章在介绍自训练范式时特别指出，该方法在具有挑战性的跨域泛化任务上表现更佳，同时为减轻大量伪标签带来的计算负担，提出了快速训练计划。这表明，半监督分割不仅关注标注成本，也需兼顾模型在不同域上的泛化能力和训练效率。读者在参考这些方法时，应结合自身数据域和计算资源进行权衡。
Q&A
半监督语义分割主要解决什么问题？
半监督语义分割主要解决标注数据昂贵、耗时的问题，通过利用少量标注数据和大量无标签数据来降低标注成本，同时提升模型性能和鲁棒性。
伪标签在半监督语义分割中是如何使用的？
伪标签通常通过自训练范式生成：先用标注数据训练教师模型，再用该模型对大量无标签数据生成伪标签，然后用这些伪标签训练学生模型，从而以较少的监督实现像素级准确模型。
半监督语义分割在哪些数据集上取得了最优性能？
在PASCAL VOC 2012、PASCAL-Context、Cityscapes、CamVid和KITTI等数据集上取得了最优的半监督学习性能。
如何利用视觉-语言嵌入进行无监督伪标记？
基于视觉-语言嵌入模型和测试时增强技术，可以在不需要训练语义分割网络或看到任何分割掩码的情况下，为每个对象创建语义分割遮罩。
主动学习如何与半监督学习结合减少标注样本？
通过结合主动学习和半监督学习，可以主动选择最有价值的样本进行标注，从而减少所需的标注样本数量，在语义分割任务中取得了优异成果。
半监督语义分割在跨域泛化任务上表现如何？
半监督语义分割方法在具有挑战性的跨域泛化任务上表现更佳，例如基于自训练范式的方法在Cityscapes、CamVid和KITTI数据集上取得了最优表现，并提升了跨域泛化能力。
