摘要

在半监督语义分割任务中，模型利用少量标注图像与大量未标注图像进行训练，以降低高昂的标注成本。尽管以往方法能够在学习分割边界方面取得良好效果，但由于监督信号有限，仍容易因视觉外观相似而混淆类别。另一方面，视觉-语言模型（VLM）虽能从图像-文本数据集中学习丰富的语义知识，但因其基于图像级训练，生成的分割结果往往存在噪声。为此，我们提出SemiVL，旨在将VLM预训练过程中获得的丰富先验知识融入半监督语义分割，以学习更优的语义决策边界。为实现VLM从全局推理向局部推理的适应，我们引入一种空间微调策略，支持高效标签利用的学习。此外，我们设计了一种语言引导解码器，实现视觉与语言信息的联合推理。最后，为应对类别标签固有的模糊性，我们通过提供类别的语言定义作为指导，增强模型对语义的理解能力。我们在4个语义分割数据集上对SemiVL进行了评估，结果表明其显著优于现有半监督方法。例如，在COCO数据集上，仅使用232张标注图像时，SemiVL相较当前最优方法提升了+13.5 mIoU；在Pascal VOC数据集上，仅使用92个标注样本时，性能提升达+6.1 mIoU。项目主页：https://github.com/google-research/semivl