期刊：IEEE Transactions on Multimedia，2023
作者：阳隆荣；李宏亮；吴庆波；孟凡满；邱荷茜；许林峰
论文简介：实例分割严重依赖于大规模标注数据集以达到理想的精度。然而，标注数据难以收集。为了扩展标注数据，一个直接的想法是引入半监督学习，即使用训练好的模型在未标注图像上获得初始候选区域，然后利用这些初始候选区域生成伪标签。然而，现有方法不可避免地会给模型学习带来偏差，即初始低置信度候选区域中的前景（低置信度前景）被任意指定为背景。这种偏差使得特征空间中前景和背景的距离更近，从而降低了模型精度。为了解决这个问题，本文摒弃了错误的监督信息，并设计了一个偏置校正特征学习器。具体来说，一方面，低置信度前景不参与监督学习；另一方面，该论文从所有初始候选区域中提取可能的前景区域，以构建高质量的正样本对，这些正样本对在对比学习中描绘了同一类别的对象。然后，在特征空间中拉近正样本对的距离，这有助于模型提取紧密聚集的前景特征。实验结果表明，该论文的方法在公共数据集（即COCO、Cityscapes和Pascal VOC）上是有效的。
