综述：采用"同一健康"方法和基因组监测应对霍乱疫情的多维度防控策略

本文创新性地提出UniFormer框架，通过双分支SegFormer主干网络结合随机强增强扰动(RSAP)模块，有效解决了半监督语义分割(SSSS)中DeepLabV3+模型感受野受限和预测同质化问题。引入的自注意力机制显著提升特征全局建模能力，在Pascal/Cityscapes/COCO数据集达到SOTA性能。

　　

半监督语义分割的新突破：UniFormer框架的革新实践

Abstract

一致性正则化作为半监督语义分割(SSSS)领域的常用方法，传统双分支结构基于DeepLabV3+模型存在感受野局限和预测多样性不足的缺陷。UniFormer创新性地采用双分支SegFormer架构，配合随机强增强扰动(RSAP)模块和可插拔自注意力模块，在三大基准数据集上实现了突破性性能提升。

Introduction

语义分割作为计算机视觉领域的核心任务，传统全监督方法需要大量像素级标注。半监督语义分割通过利用未标注数据显著降低人工成本，其中基于一致性正则化的方法近年来备受关注。现有方法多采用教师-学生网络架构，通过对弱增强图像X^w与强增强图像X^s₁、X^s₂施加扰动实现特征对齐，但传统DeepLabV3+主干网络存在明显的感受野限制。

UniMatch框架的改进表明，传统双分支使用相同增强策略会导致扰动同质化。为此，UniFormer引入RSAP模块从连续空间随机选择不同强度的增强方法，确保双分支获得差异化扰动。同时保留CutMix方法进行区域替换增强，显著提升特征判别性。

Method

UniFormer的技术架构创新主要体现在三个方面：

1. 主干网络革新：采用分层编码的SegFormer替代DeepLabV3+，其混合局部-全局注意力机制通过轻量级MLP解码器实现鲁棒特征表达。实验对比显示，基于SegFormer的方法性能曲线显著优于传统卷积模型。

2. 自注意力增强：在编码器末层与解码器间插入自注意力模块，该设计既能建模视觉特征的全局依赖关系，又不影响其他模块间的数据传输。消融实验证实，该模块使mIoU指标提升2.3%。

3. RSAP扰动策略：通过概率空间采样实现双分支的差异化强增强，包括颜色抖动、高斯模糊和几何变换的组合。与固定强度增强相比，该方法使预测多样性提升37%，有效缓解模型过拟合。

Experimental setup

在PASCAL VOC 2012、Cityscapes和COCO数据集上的系统评估显示：

• 在1/16标注比例下，UniFormer的mIoU达到75.6%，超越基线方法8.2%

• RSAP模块使小样本场景的泛化误差降低21%

• 自注意力机制对长距离依赖建模使边缘分割准确率提升4.5%

Conclusion

UniFormer通过SegFormer主干网络与创新扰动策略的结合，为半监督语义分割提供了新范式。其核心价值在于：突破传统卷积网络的感受野限制，通过随机化增强空间探索更丰富的特征表示，自注意力机制则有效捕获全局上下文。该方法在医学影像分割、遥感图像解析等领域具有重要应用前景。