基于自适应伪标签选择的半监督语义分割中的确认偏差缓解方法研究综述.docVIP

基于自适应伪标签选择的半监督语义分割中的确认偏差缓解方法研究综述

1半监督语义分割与确认偏差的核心关联

半监督语义分割作为计算机视觉领域降低数据标注成本的核心技术路径，通过同时利用少量有标注数据与大量无标注数据完成模型训练，在自动驾驶、医疗影像分析、遥感图像解译等场景已展现出显著的应用价值。传统半监督训练框架通常基于“伪标签迭代”机制：首先用有标注数据初始化分割模型，再由模型对无标注数据生成预测结果作为伪标签，后续将伪标签与有标注数据共同参与下一轮模型参数更新。这种机制的核心假设是模型生成的伪标签具备足够高的准确率，能够为模型提供有效的监督信号，但实际训练过程中这一假设往往难以持续成立——模型早期预测的错误伪标签会在迭代中被不断强化，最终导致模型性能陷入局部最优，这一现象被学界定义为确认偏差（ConfirmationBias）。

确认偏差的本质是半监督训练中的“误差累积闭环”：当模型对无标注样本的预测出现错误时，错误的伪标签会作为监督信号引导模型向错误方向更新参数，参数更新后的模型会进一步生成更多同类错误伪标签，形成“错误预测→错误监督→性能退化”的恶性循环。根据2023年ICCV会议公布的基准测试结果，在PASCALVOC2012数据集上，当有标注数据占比仅为1/16时，传统自训练框架的确认偏差会导致模型mIoU（平均交并比）下降12.7%，其中小目标类别的分割精度下降甚