保守-进步协同学习在半监督语义分割中的应用

伪监督（pseudo supervision）被视为半监督语义分割中的核心思想，而如何在仅使用高质量伪标签与充分利用所有伪标签之间取得平衡，始终是一个关键的权衡问题。针对这一挑战，本文提出一种新颖的学习范式——保守-渐进协同学习（Conservative-Progressive Collaborative Learning, CPCL）。在该方法中，两个预测网络并行训练，伪监督机制基于两个网络预测结果的一致性与差异性进行构建。其中一个网络通过交集监督（intersection supervision）寻求共性，仅接受高质量伪标签的监督，以确保监督信号的可靠性；另一个网络则通过并集监督（union supervision）保留差异性，接受全部伪标签的监督，以维持探索过程中的好奇心与多样性。由此，实现了保守演化（conservative evolution）与渐进探索（progressive exploration）的协同。为进一步降低可疑伪标签带来的负面影响，损失函数根据预测置信度动态重加权。大量实验结果表明，CPCL在半监督语义分割任务上达到了当前最优（state-of-the-art）性能。