区域弱监督分割网络

训练提速十倍

用区域投票与跨视角一致性检查修正噪声标签，无需像素级标注即可达到全监督水平。

Qi, Chen · 73239676 · Yuheng, Huang · 谢晓华 · Yang, Lingxiao

Information Fusion 2024

参数信息

训练时间加速比

10 ×

技术优势

标签更干净

通过区域投票与跨视角选择性检查，识别并修正噪声伪标签，减轻过拟合。

训练快十倍

ROSE训练时间比之前方法快10倍以上，大幅降低算力和时间成本。

精度创新高

在Pascal VOC和COCO数据集上刷新最优分割精度，验证了方法的有效性。

应用场景

• 机器人视觉感知：快速训练的分割模型可部署到机器人视觉系统，提升环境理解能力。
• 自动驾驶场景理解：无需大量像素级标注即可获得高精度分割，加速自动驾驶场景解析模型开发。
• 工业缺陷检测：仅用图像级标签训练即可定位缺陷，降低工业质检数据标注成本。
• 医学影像分割：在医学影像标注稀缺场景下，利用弱监督训练精准分割模型。