Page 485 - 《软件学报》2025年第12期

5866 软件学报 2025 年第 36 卷第 12 期

图 10 在 Cityscapes 数据集下的细节纹理分支和语义上下文分支的分割可视化

4 结 论

本文提出了一种基于差异化特征提取的交叉半监督语义分割网络. 首先, 差异化特征提取策略增强了纹理和
边缘信息的关注程度, 并利用边界预测来平衡纹理和语义信息的合成, 从特征提取角度使源端信号始终存在差异
性, 更有效地利用无标记数据来优化网络性能. 其次, 交叉融合伪标签策略通过邻近预测和交叉监督提高了网络末
端监督信号的准确性和差异性, 避免了因网络同化而出现纠错能力失效的问题. 本文方法在不同的基准数据集下
均取得了有竞争力的结果.
虽然本文的方法取得了较好的性能表现, 但仍存在一些缺陷, 例如多分支网络训练时间较长以及性能表现不
均衡的问题.
在未来的研究工作中, 本文计划从以下几个角度优化现有的问题: (1) 减少多分支网络的数量: 将致力于从一
个网络分支中提取不同的特征信息, 例如同时提取细节纹理信息和语义上下文信息, 使它们均能参与分割任务. 此
外, 本工作计划优化边缘形状分支, 采用更加精准高效的边缘检测算法, 从而减轻网络的训练时间和压力. (2) 提高
多分支网络性能的均衡性和极少标签下的性能表现: 针对多分支网络性能不均衡的问题, 计划引入高置信度不更
新策略. 当分支网络对像素的预测保持高置信度时, 不对该分支的像素进行监督和反向传播, 以此避免性能较差的
分支生成高置信度的错误伪标签, 干扰高性能分支的训练.

References:
[1] Cai DG, Zhao LC, Zhang J, Sheng L, Xu D. 3DJCG: A unified framework for joint dense captioning and visual grounding on 3D point
clouds. In: Proc. of the 2022 IEEE/CVF Conf. on Computer Vision and Pattern Recognition. New Orleans: IEEE, 2022. 16443–16452.
[doi: 10.1109/CVPR52688.2022.01597]
[2] Fu J, Liu J, Tian HJ, Li Y, Bao YJ, Fang ZW, Lu HQ. Dual attention network for scene segmentation. In: Proc. of the 2019 IEEE/CVF
Conf. on Computer Vision and Pattern Recognition. Long Beach: IEEE, 2019. 3141–3149. [doi: 10.1109/CVPR.2019.00326]
[3] Li XT, Zhao HL, Han L, Tong YH, Tan SH, Yang KY. Gated fully fusion for semantic segmentation. In: Proc. of the 34th AAAI Conf.