Regularização de Subclasses Imparcial para Segmentação Semissupervisionada Semântica

A segmentação semissupervisionada semântica aprende a partir de pequenas quantidades de imagens rotuladas e grandes quantidades de imagens não rotuladas, o que testemunhou um progresso impressionante com o recente avanço das redes neurais profundas. No entanto, frequentemente sofre com um sério problema de viés de classe ao explorar as imagens não rotuladas, em grande parte devido ao claro desequilíbrio de classe por pixel nas imagens rotuladas. Este artigo apresenta uma rede de regularização de subclasses imparcial (USRN) que alivia a questão do desequilíbrio de classe aprendendo segmentação imparcial em relação à classe a partir de distribuições de subclasses balanceadas. Construímos as distribuições de subclasses balanceadas agrupando pixels de cada classe original em múltiplas subclasses de tamanhos semelhantes, que fornecem supervisão pseudo balanceada de classe para regularizar a segmentação com viés de classe. Além disso, projetamos um mecanismo de porta baseado em entropia para coordenar o aprendizado entre as classes originais e as subclasses agrupadas, o que facilita efetivamente a regularização de subclasses ao suprimir previsões de subclasses não confiáveis. Experimentos extensivos em múltiplos bancos de dados públicos mostram que a USRN alcança desempenho superior em comparação com o estado da arte.