CW-BASS v2 借助 DINOv2 改进伪标签筛选
该方法针对基础模型教师下的半监督分割，对筛选机制进行自适应调整。
为什么重要
这项工作指出了将旧有半监督分割启发式方法套用于基础模型教师时的一种实际失效模式。它表明，随着视觉基础编码器逐渐成为标准教师模型，具备校准意识的伪标签选择可能会变得必要。
核心要点
- 1.CW-BASS v2 会根据教师模型的置信度状态调整伪标签筛选。
- 2.该方法针对基于 DINOv2 的分割教师中的置信度饱和问题。
- 3.它使用留出校准和逐类别噪声估计。
研究人员提出了 CW-BASS v2，这是一种面向半监督语义分割的饱和感知伪标签选择方法，适用于 DINOv2 等基础模型教师。论文认为，自监督基础编码器中的置信度饱和会改变伪标签筛选的工作方式，因为为噪声更高的 ResNet 教师设计的规则，可能会削弱更强教师模型的效果。CW-BASS v2 通过留出校准、逐类别噪声估计和自适应置信度下限，来判断何时应严格筛选，何时退回到自适应阈值。
⚡ 今天就能用
在将 ResNet 时代的分割流水线复用于 DINOv2 教师之前，应先审查伪标签筛选规则。
来源与原始报道
本简报汇总并链接到以下媒体的报道。
- arXiv cs.AIPseudoMapLabeler: Confidence-Aware Pseudo-Label Generation for Semi-Supervised Online MappingAug 15, 12:00 PM↗
- arXiv cs.LGCW-BASS v2: Saturation-Aware Pseudo-Label Selection for Semi-Supervised Segmentation under Foundation-Model TeachersAug 14, 12:00 PM↗
- HF Daily PapersCW-BASS v2: Saturation-Aware Pseudo-Label Selection for Semi-Supervised Segmentation under Foundation-Model TeachersAug 13, 4:00 AM↗
觉得这篇简报有用？下一篇直接送到你的邮箱。