在这篇论文中,我们为半监督语义分割任务设计了一种非常简洁而又性能很好的算法:cross pseudo supervision (CPS)。训练时,我们使用两个相同结构、但是不同初始化的网络,添加约束使得两个网络对同一样本的输出是相似的。具体来说,当前网络产生的one-hot pseudo label,会作为另一路网络预测的目标,这个过程可以用cross entrop
CPS解读参考:[CVPR 2021] CPS: 基于交叉伪监督的半监督语义分割 1.1 项目背景 不同于图像分类任务,数据的标注对于语义分割任务来说是比较困难而且成本高昂的,需要为图像的每一个像素标注一个标签,包括一些特别细节的物体,如电线杆等。但是对于获取RGB数据是比较简单,如何利用大量的无标注数据去提高模型的性能,便是半...
在这篇文章,我们将解读一下我们发表在CVPR 2021的工作CPS: Semi-Supervised Semantic Segmentation with Cross Pseudo Supervision. 我们提出的半监督语义分割算法,在Cityscapes数据集中,使用额外3000张无标注的图像,可以在val set达到82.4% mIoU (单尺度测试)。 作者单位:北京大学,微软亚洲研究院 代码:https://git.io...