预算受限场景下的语义分割软标记方法：为标签降采样带来一致性

《Computational Visual Media》：Soft-labelling for budget-constrained semantic segmentation: Bringing coherence to label down-sampling

　　

摘要：

在语义分割中，由于资源限制、需要将图像尺寸适配模型输入，或是为了提升数据增强效果，通常会对训练数据进行下采样处理。这种下采样会对图像数据与标注标签采用不同的策略，而这种差异会导致下采样后的颜色图像与真实标签图像出现不匹配。因此，随着下采样倍数的增加，训练性能会显著下降。在本文中，我们整合了针对图像数据与训练标签的下采样策略。为此，我们提出了一种基于软标注的标签下采样新框架，该框架能够在下采样后更好地保留标签信息，从而使软标注与图像数据完全对齐，保持用于下采样的像素分布。这一方法还能为代表性不足的语义类别生成可靠的标注。总体而言，它使得能够在较低分辨率下训练出性能出色的模型。实验表明，我们的方法优于其他下采样策略。此外，在参考基准测试中，它也能达到最先进的性能，但所消耗的计算资源却远少于现有主流方法。这一提案为资源受限条件下的语义分割研究提供了有力支持。