🚀 突破性进展：AAAI 2023 Oral 论文 TSCD —— 基于自对应蒸馏的端到端弱监督语义分割

我们很高兴地宣布，由中国科学院自动化研究所、北京邮电大学等单位合作完成的论文 《Self Correspondence Distillation for End-to-End Weakly-Supervised Semantic Segmentation》 已被 AAAI 2023 接收为 Oral 论文，并即将在会上进行报告。

该研究提出了一种新颖的 自对应蒸馏（Self Correspondence Distillation, SCD） 方法，结合 变分感知优化模块（Variation-aware Refine Module, VARM），构建了一个端到端的 Transformer 弱监督语义分割框架——TSCD。

🌟 核心贡献：

1. 自对应蒸馏（SCD）：
   首次利用网络自身生成的类激活图（CAM）特征对应关系作为蒸馏目标，无需外部监督即可增强语义信息的完整性与一致性。

2. 变分感知优化模块（VARM）：
   通过感知图像像素级变化，提升伪标签的局部一致性，显著改善边界质量。
   

3. 端到端 Transformer 框架（TSCD）：
   集成 SCD 与 VARM，在仅使用图像级标签的情况下，实现了与全监督方法相媲美的语义分割性能。

📊 实验结果：

• 在 PASCAL VOC 2012 和 MS COCO 2014 数据集上，TSCD 均达到了当前最优（SOTA）性能。
• 在 VOC 2012 val 集上达到 65.0% mIoU，test 集上达到 65.2% mIoU，显著优于同类端到端方法。
• 在 COCO 2014 上达到 40.1% mIoU，相比基线方法提升显著。
  

📄 论文信息：

• 标题：Self Correspondence Distillation for End-to-End Weakly-Supervised Semantic Segmentation
• 作者：Rongtao Xu, Changwei Wang, Jiaxi Sun, Shibiao Xu, Weiliang Meng, Xiaopeng Zhang
• 单位：中科院自动化所、北京邮电大学、国科大
• 会议：AAAI 2023 (Oral)

我们相信，TSCD 不仅为弱监督语义分割提供了新的思路，也为自监督学习与知识蒸馏的结合开辟了新的方向。