摘要

半监督语义分割（Semi-Supervised Semantic Segmentation, SSSS）旨在通过利用大量未标注数据，在仅有少量标注样本的情况下提升分割性能。现有方法普遍面临三大挑战：耦合问题（coupling），即对初始标注数据过度依赖导致学习效果不佳；确认偏差（confirmation bias），即错误预测反复自我强化；以及边界模糊（boundary blur），由边界感知能力不足和边缘线索模糊所致。为应对上述问题，本文提出一种新颖的框架——CW-BASS（Confidence-Weighted Boundary-Aware Semi-Supervised Segmentation）。该方法通过以下四个核心机制实现性能提升：降低耦合效应：引入置信度加权损失函数，根据伪标签的预测置信度动态调整其对模型训练的影响，从而缓解初始标注数据的过度依赖；缓解确认偏差：设计一种动态阈值机制，依据模型当前性能自动学习筛选并剔除低置信度的伪标签，防止错误预测的累积；抑制边界模糊：引入边界感知模块，增强对物体边缘区域的分割精度，有效改善因边界信息缺失导致的模糊问题；减少标签噪声：采用置信度衰减策略，在训练过程中逐步优化伪标签质量，实现伪标签的动态精炼。在Pascal VOC 2012与Cityscapes两个主流数据集上的大量实验表明，CW-BASS取得了当前最优的分割性能。尤其值得注意的是，在极具挑战性且研究尚不充分的1/30（3.3%）标注比例设置下（仅100张图像），CW-BASS在Cityscapes数据集上达到了65.9%的平均交并比（mIoU），充分验证了其在极小标注样本场景下的卓越有效性。相关代码已开源，地址为：https://github.com/psychofict/CW-BASS。