Ein Multi-Task Mean Teacher für semi-supervised Shadow Detection

Bestehende Methoden zur Schattenerkennung leiden unter einer inhärenten Einschränkung, da sie auf begrenzten beschrifteten Datensätzen basieren und in komplexen Situationen oft schlechte Ergebnisse liefern können. Um die Leistung der Schattenerkennung zu verbessern, präsentiert dieser Artikel ein mehraufgabenbasiertes Mean-Teacher-Modell für semi-supervised Schattenerkennung, das unbeaufsichtigte Daten nutzt und gleichzeitig das Lernen mehrerer Informationsaspekte von Schatten simultan erforscht. Konkret bauen wir zunächst eine mehraufgabenbasierte Baseline-Modell auf, das gleichzeitig Schattenregionen, Schattenkanten und die Schattenanzahl erkennt, indem es deren ergänzende Informationen nutzt, und weisen dieses Baseline-Modell sowohl dem Schüler- als auch dem Lehrernetzwerk zu. Anschließend fördern wir die Übereinstimmung der Vorhersagen der drei Aufgaben zwischen Schüler- und Lehrernetzwerk auf unbeaufsichtigten Daten, wobei eine Konsistenzverlustfunktion berechnet wird, die anschließend zur überwachten Verlustfunktion auf den beschrifteten Daten hinzugefügt wird, welche aus den Vorhersagen des mehraufgabenbasierten Baseline-Modells stammt. Experimentelle Ergebnisse auf drei weit verbreiteten Benchmark-Datensätzen zeigen, dass unsere Methode stets alle verglichenen state-of-the-art-Verfahren übertrifft, was bestätigt, dass das vorgeschlagene Netzwerk in der Lage ist, zusätzliche unbeaufsichtigte Daten effektiv zu nutzen, um die Leistung der Schattenerkennung zu steigern.