摘要

无监督语义分割旨在无需任何标注的情况下，从图像语料库中自动发现并定位具有语义意义的类别。为完成该任务，算法需为每个像素生成既具备语义意义又足够紧凑的特征表示，以便形成清晰可分的聚类。与以往通过单一端到端框架实现该目标的方法不同，本文提出将特征学习与聚类紧凑化过程解耦。实证研究表明，当前的无监督特征学习框架已能生成语义一致性强的密集特征表示。基于这一观察，我们提出了STEGO（Self-supervised Transformer with Energy-based Graph Optimization）——一种新颖的框架，能够将无监督学习得到的特征高效地提炼为高质量的离散语义标签。STEGO的核心是一种新型对比损失函数，该函数在促使特征形成紧凑聚类的同时，有效保留了图像语料库中特征之间的语义关联性。在CocoStuff（mIoU提升+14）和Cityscapes（mIoU提升+9）两个语义分割基准测试中，STEGO均显著超越了现有最先进方法。