跳到正文
arXiv · 机器人与计算机视觉· Joshua Li, Yuri Boykov·· 20 天前精选AI 评分78

CRF Loss 如何指导网络学习弱监督分割中的边界:DS-CRF 框架发布

CRF Loss is How Networks Should Learn Boundaries in Weakly Supervised Segmentation

AI 导读

该论文提出 DS-CRF 框架,解决弱监督语义分割中 CAMs 与 SAM 边界融合导致错误的问题。方法将 CAMs 作为一元软伪标签、SAM 边界作为二元成对监督,在单阶段模型中实现。实验显示该方法在 MS COCO 数据集上达到 56.5% mIoU,成为基于训练方法的最新最佳结果。材料为 arXiv 预印本版本,未提及同行评审状态或具体开源代码仓库链接。

推荐理由

提出 DS-CRF 框架,利用 CAMs 与 SAM 边界分别监督训练,在 MS COCO 数据集上取得基于训练方法的最高 mIoU。

来源:arXiv · 机器人与计算机视觉 · arxiv.org