CVPR 2024 | DuPL：基于可信渐进学习的双学生框架，用于鲁棒的弱监督语义分割

主要观点总结

本文介绍了论文“DuPL: 基于可信渐进学习的双学生框架用于鲁棒的弱监督语义分割”的主要内容。该论文提出了一个双学生网络架构、可信渐进学习、自适应噪声过滤和一致性正则化等方法，旨在解决基于图像级标签的单阶段弱监督语义分割中的确认偏差问题。文章还详细描述了这些方法的具体实现和实验验证。

关键观点总结

关键观点1: 论文题目及作者

论文标题为“DuPL: 基于可信渐进学习的双学生框架用于鲁棒的弱监督语义分割”，作者是Yuanchen Wu等人。

关键观点2: 论文创新点

论文提出了双学生框架、可信渐进学习、自适应噪声过滤和一致性正则化等创新方法，以解决弱监督语义分割中的确认偏差问题。

关键观点3: 双学生框架

双学生框架通过两个子网络相互生成监督信息，减轻了由于学习自身错误伪标签而导致的确认偏差。

关键观点4: 可信渐进学习

可信渐进学习通过动态阈值调整策略和自适应噪声过滤策略，逐步引入更多可信的伪标签参与分割监督。

关键观点5: 实验验证

论文在PASCAL VOC 2012和MS COCO数据集上进行了实验验证，证明了所提出的DuPL优于最近的最先进方法。