Adversariales Lernen für semi-supervises semantisches Segmentieren

Wir schlagen eine Methode für halbüberwachtes semantisches Segmentieren unter Verwendung eines adversären Netzes vor. Während die meisten existierenden Diskriminatoren auf Bildenebene trainiert werden, um Eingabebilder als echt oder gefälscht zu klassifizieren, gestalten wir einen Diskriminator im voll konvolutionellen Stil, um die vorhergesagten Wahrscheinlichkeitskarten von der Ground-Truth-Segmentierungsdichte abzugrenzen, wobei die räumliche Auflösung berücksichtigt wird. Wir zeigen, dass der vorgeschlagene Diskriminator verwendet werden kann, um die Genauigkeit des semantischen Segmentierens durch Koppeln des adversären Verlusts mit dem Standard-Kreuzentropieverlust des Modells zu verbessern. Darüber hinaus ermöglicht der voll konvolutionelle Diskriminator das halbüberwachte Lernen durch die Identifizierung vertrauenswürdiger Regionen in den vorhergesagten Ergebnissen nicht gekennzeichneter Bilder, wodurch zusätzliche Überwachungssignale bereitgestellt werden. Im Gegensatz zu bestehenden Methoden, die schwach gekennzeichnete Bilder nutzen, nutzt unsere Methode nicht gekennzeichnete Bilder, um das Segmentierungsmodell zu verbessern. Experimentelle Ergebnisse auf den Datensätzen PASCAL VOC 2012 und Cityscapes demonstrieren die Effektivität des vorgeschlagenen Algorithmus.