摘要
在半监督语义分割中，均值教师（Mean Teacher）和协同训练（co-training）方法被用于缓解确认偏差和耦合问题。然而，尽管这些方法性能优异，但它们通常涉及复杂的训练流程和巨大的计算负担，限制了这些方法的可扩展性和兼容性。本文提出了一种PrevMatch框架，通过最大化利用训练过程中获得的时间知识来有效缓解上述限制。PrevMatch框架依赖于两个核心策略：(1) 我们重新考虑时间知识的使用，因此直接利用训练过程中获得的先前模型生成额外的伪标签指导，称为先前指导。（2）我们设计了一种高度随机化的集成策略，以最大化先前指导的有效性。在四个基准语义分割数据集上的实验结果表明，所提出的方法在各种评估协议下始终优于现有方法。特别是，在使用DeepLabV3+和ResNet-101网络配置的情况下，PrevMatch仅用92张标注图像就在Pascal VOC数据集上比现有的最先进方法Diverse Co-training高出1.6个mIoU，同时实现了2.4倍更快的训练速度。此外，结果还表明PrevMatch诱导了稳定的优化过程，特别是在提升表现较差的类别方面效果显著。代码可在https://github.com/wooseok-shin/PrevMatch 获取。