La logica neurosimbólica guida la segmentazione debolmente supervisionata

Fatti principali

• 1. La segmentazione semantica debolmente supervisionata (WSSS) addestra modelli a partire da annotazioni parziali come bounding box, scarabocchi o etichette a livello di immagine.
• 2. Lavori recenti utilizzano modelli foundation come SAM per generare pseudo-etichette.
• 3. Gli approcci esistenti dipendono da scelte euristiche dei prompt e da una limitata integrazione di conoscenze pregresse.
• 4. Il metodo proposto adotta una prospettiva neurosimbólica, integrando la logica fuzzy differenziabile con modelli di segmentazione profonda.
• 5. Annotazioni deboli e prior specifici del dominio sono unificati come vincoli logici continui.
• 6. Il modello foundation raffinato produce pseudo-etichette migliorate per addestrare un modello di segmentazione di seconda fase senza prompt.
• 7. Gli esperimenti sono stati condotti sui dataset Pascal VOC 2012 e REFUGE2 per la segmentazione del disco ottico e della coppa.
• 8. Il fine-tuning guidato dalla logica mostra prestazioni migliori rispetto ai metodi basati su prompt euristici.