用于语义分割的软标签：提升标签下采样的一致性

在语义分割任务中，由于资源受限、需将图像尺寸适配至模型输入要求，或为增强数据增广效果，通常会对训练数据进行下采样。然而，这种下采样在图像数据与标注标签之间常采用不同的策略，导致下采样后的彩色图像与标签图像之间出现不匹配问题。随着下采样因子的增大，这种不一致性会显著降低模型的训练性能。本文提出一种新方法，统一图像数据与训练标签的下采样策略。为此，我们设计了一种基于软标签（soft-labeling）的新型标签下采样框架，能够更有效地保留下采样后的标签信息。该方法通过使软标签与图像数据在空间上充分对齐，确保采样像素的类别分布保持一致。此外，该方法还能为样本数量较少的语义类别生成更可靠的标注。总体而言，该方法使得在低分辨率下训练性能优异的模型成为可能。实验结果表明，所提方法在多种下采样策略中表现更优。同时，在多个基准测试中达到了当前最先进的性能水平，且所消耗的计算资源显著低于主流方法。该方案为资源受限条件下的语义分割研究提供了具有竞争力的技术路径。