RecurSeed 与 EdgePredictMix：面向单阶段与多阶段框架的弱监督语义分割中的伪标签精炼学习

尽管仅使用图像级标签的弱监督语义分割（WSSS-IL）具有潜在应用价值，但其性能较低以及实现复杂度较高仍严重制约了实际应用。其主要瓶颈在于两类现象：（a）漏检（non-detection）与（b）误检（false-detection）。具体表现为：（a）现有WSSS-IL方法优化后的类别激活图（CAM）对大尺度目标仍仅能反映部分区域；（b）对于小尺度目标，过激活现象导致激活区域偏离物体边缘。为此，我们提出RecuSeed方法，通过递归迭代交替抑制漏检与误检，从而隐式地寻找一个能同时最小化两类错误的最优平衡点。此外，我们还提出一种新颖的数据增强（DA）方法——EdgePredictMix，该方法通过融合分割结果中相邻像素间的概率差异信息，进一步显式地表达物体边缘特征，有效弥补了现有数据增强方法在WSSS任务中应用时的不足。我们在PASCAL VOC 2012和MS COCO 2014两个基准测试上均取得了新的最先进性能（VOC验证集：74.4%，COCO验证集：46.4%）。相关代码已开源，地址为：https://github.com/shjo-april/RecurSeed_and_EdgePredictMix。