ECCV oral|弱监督语义分割SOTA，高效挖掘跨图像的语义关系

图片地址：https://n.sinaimg.cn/sinakd20200803s/482/w900h382/20200803/9ee9-ixeeirz7548995.jpg

近年来，基于图像标签信息（image-level label）的弱监督语义分割（WSSS）方法主要基于以下步骤：训练图像分类器，通过分类器的CAM获取每张图像在分类中被激活的区域（物体定位图），之后生成伪标签mask作为监督信号训练语义分割模型。这种方法面临的挑战是：CAM生成的物体定位图仅关注物体中最具辨识度的区域，而不是物体整体。最近由苏黎世联邦理工学院等研究机构共同提出的弱监督语义分割为这一问题的解决提供了新的思路。本文设计了协同注意力分类器（co-attention classifier），在分类器中引入两种注意力模型来帮助分类器识别更多的物体区域：协同注意力（co-attention）用于帮助分类器识别一对图像之间共同的语义信息（common semantics），而且能够在物体定位图（object localization maps）的推理过程中利用上下文信息；对比协同注意力（contrastive co-atten