CVPRNov, 2014

从图像级别到像素级别的卷积网络标注

PDF
TL;DR本研究提出了一种基于卷积神经网络的模型，只利用物体类别信息，通过最小化对目标分割任务的先验仅推断目标分割。我们展示了该模型在相对于弱监督物体分割任务中领先于业界最先进的方法。
object segmentationweakly supervised segmentationconvolutional neural network-based modelmultiple instance learning (mil)imagenet dataset
发现论文，激发创造
  • 全卷积多类多实例学习

    本文提出了一种利用多实例学习（MIL）方法进行多类语义分割的学习的新算法，只需要通过图像级标记进行训练，同时采用全卷积网络来优化细分标签的分配。实验结果表明，该方法在 PASCAL VOC 数据集的分割挑战任务中有良好的表现。

    Dec, 2014

  • 利用先验网络知识学习弱监督语义分割

    本文介绍了一种使用图像标签进行弱监督语义分割的模型，利用图像标注作为注意机制来识别图像中的语义区域，并描述了如何将此掩模生成策略纳入完全端到端可训练的过程中，其中网络同时学习对图像进行分类和分割，实验表明，利用生成的类特定掩模可以超越只使用图像标记的最新弱监督语义分割方法甚至某些利用额外监督或训练数据的模型。

    Apr, 2018

  • 用于对象识别的多实例学习卷积神经网络

    本文提出了一种名为多实例学习卷积神经网络（MILCNN）的弱监督卷积神经网络框架，用于解决深度网络训练数据不足的问题， 将 MILCNN 框架应用于目标识别， 并在三个基准数据集（CIFAR10、CIFAR100 和 ILSVRC2015）上报告了最新成果。

    Oct, 2016

  • 基于约束的卷积神经网络弱监督分割

    我们提出了一个名为约束卷积神经网络的方法，它使用一种新的损失函数来优化 CNN 模型输出空间上任何一组线性约束条件，并且通过大量实验得出该方法在弱监督语义图像分割任务中表现出卓越的效果。

    Jun, 2015

  • 使用卷积多示例学习对显微镜图像进行分类和分割

    本研究探讨了将多实例学习（MIL）应用于卷积神经网络（CNNs）以进行显微镜图像分类和分割，并提出了适应性嘈杂 AND MIL 汇集函数，对异常值有鲁棒性，其结果在哺乳动物和酵母显微镜图像上的表现优于以前的方法，无需任何分割步骤。

    Nov, 2015

  • 用于实例分割的半卷积算子

    本文研究目标检测和实例分割问题，提出了一种基于像素级别标签的解决方案，证明了构造可以分离对象实例的密集像素嵌入不易使用卷积运算实现，但也表明了简单的修改可以更好地解决该问题。我们将其与 Hough 投票和双边核的变体相关联，并演示了这些运算符可以用于改进 Mask RCNN 等方法。

    Jul, 2018

  • 像素目标性

    本文提出了一种端到端的学习框架，其中使用深度卷积网络实现了将前景 / 背景标签分配给所有像素的结构化预测，在无需看到训练期间未曾见过的物体类别的情况下生成了像素级的前景对象分割，并在 ImageNet 和 MIT ObjectDiscovery 数据集上显著改善了前景分割的最新技术成果。我们最后展示了该方法如何使图像检索和图像重排具备更好的应用前景图。

    Jan, 2017

  • 使用卷积神经网络进行视频对象分割的像素级别匹配

    本文提出了基于 CNN 的视频对象分割算法，采用像素级匹配来区分目标区域和背景。提出了特征压缩技术，对大数据集进行实验，证明了模型在准确性、速度和稳定性方面的有效性，同时也介绍了模型在不同领域的可传递性。

    Aug, 2017

  • 基于弱监督学习的多证据过滤与融合方法用于多标签分类、目标检测和语义分割

    该论文提出了一种弱监督课程学习流程，用于多标签对象识别、检测和语义分割的任务，其中包括四个阶段，包括训练图像的对象定位、筛选和融合对象实例、像素标注以及基于任务的网络训练，通过这种流程，实现了在 MS-COCO、PASCAL VOC 2007 和 PASCAL VOC 2012 数据集上进行多标签图像分类以及弱监督对象检测和语义分割的最新成果。

    Feb, 2018

  • 基于图像级标签的粗到细语义分割

    该研究提出了一种基于图像类别标签的新型递归粗到细语义分割框架，可用于图像分割和前景分割等任务，并且只需要一个标签来处理包含多类别对象的图像。

    Dec, 2018