TPAMI 2024 | 牛犇啊！弱监督语义分割还可以这么玩！

主要观点总结

本文研究了仅依赖图像级监督进行弱监督语义分割（WSSS）的学习问题，并提出了一种基于协同注意力机制的方法。该方法在分类器中引入了两种神经协同注意力机制，以互补的方式捕获跨图像的语义相似性和差异性，从而发现更完整的对象模式，并改进定位图推断，有利于语义分割学习。该方法在不同的WSSS设置下都设立了新的最先进水平，并在CVPR2020不完美数据挑战赛的弱监督语义分割赛道中排名第一。广泛的实验结果证明了该方法的有效性和高实用性。

关键观点总结

关键观点1: 研究问题

仅依赖图像级监督进行弱监督语义分割（WSSS）的学习问题。

关键观点2: 方法介绍

提出了一种基于协同注意力机制的方法，通过引入两种神经协同注意力机制，以互补的方式捕获跨图像的语义相似性和差异性，发现更完整的对象模式，并改进定位图推断。

关键观点3: 实验结果

在不同的WSSS设置下都设立了新的最先进水平，并在CVPR2020不完美数据挑战赛的弱监督语义分割赛道中排名第一。

关键观点4: 结论

广泛的实验结果证明了该方法的有效性和高实用性。

文章预览

题目：Looking Beyond Single Images for Weakly Supervised Semantic Segmentation Learning 超越单一图像的弱监督语义分割学习研究 作者：Wenguan Wang; Guolei Sun; Luc Van Gool 源码链接： https://github.com/GuoleiSun/MCIS_wsss 摘要 本文研究了仅依赖图像级监督进行弱监督语义分割（WSSS）的学习问题。当前流行的解决方案利用分类器生成的对象定位图作为语义分割学习的监督信号，这些方法难以捕捉到更完整的目标内容。与之前主要关注图像内信息的努力不同，我们针对跨图像语义关系的综合目标模式挖掘的价值进行了研究。为了实现这一点，我们在分类器中引入了两种神经协同注意力机制，以互补的方式捕获跨图像的语义相似性和差异性。具体来说，给定一对训练图像，一个协同注意力强制分类器识别协同注意对象的共同语义，而另一个称为对比协同注意力的机制，驱动分类器从 ………………………………