.png){kind=icon}
返回
Adaptive Prototype Learning for Weakly Supervised Semantic Segmentation
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-95-5764-6_15.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
弱监督语义分割（WSSS）旨在仅使用图像级标注执行像素级语义分割。然而，稀疏监督和前景与背景区域的频繁共现使该任务具有挑战性。现有方法大多依赖类激活图（CAM）生成伪标签，但常受虚假激活和精度限制，制约性能进一步提升。为克服这些局限，本文提出一种新颖框架——用于弱监督语义分割的自适应原型学习（CPDGL）。该方法的核心是原型知识精炼模块（PKRM），其通过视觉Transformer（ViT）提取的类标记构建类原型，并采用指数移动平均（EMA）机制确保原型稳定更新。在此基础上，提出的原型对比损失（L-PCL）促使特征与其对应类原型紧密对齐，同时增强类间可分性，从而提升类别判别力和语义一致性。为强化局部特征学习，引入局部-全局判别融合模块（LGDFM），整合精细局部语义与全局类别信息。同时，引入局部一致性对比损失（L-LCL）抑制伪标签噪声，改善局部特征表示的语义一致性。实验结果表明，CPDGL在PASCAL VOC验证集和测试集上分别达到72.5%和71.8%的MIoU，在MS COCO验证集上达到42.5%，优于主流单阶段方法，展示了其在WSSS中的有效性和泛化能力。
Keyword:
Weakly supervised semantic segmentation
Prototype learning
Contrastive learning
期刊
P
IF:
0
论文数:
32
被引数:
0
机构
引用论文
.png){kind=icon}
Anti-Adversarially Manipulated Attributions for Weakly and Semi-Supervised Semantic Segmentation
OAAI
OAAI分享收藏Hunting Attributes: Context Prototype-Aware Learning for Weakly Supervised Semantic Segmentation
PREAI
分享收藏
查看更多内容