该研究提出了一种只需要点级别注释来训练模型实现物体实例分割的方法,其通过建立一个具有两个分支(定位网络和嵌入网络)的网络,使用伪标签和相似嵌入方法来提高分割效果,在特定情况下,可以获得有竞争力的结果,并且是一种实例分割点级别监督的强基准线。
Jun, 2019
提出了基于单点标注的弱监督实例分割方法,通过该方法,仅标注每个物体的随机 10 个点就能够达到 94% 至 98% 的全监督效果,比全物体标注的方法快 5 倍,同时提出了一种新的基于点标注的 PointRend 实例分割模型,称为 Implicit PointRend。
Apr, 2021
通过减少视频帧中的人工注释点为每个对象,我们提出了一种训练方法来获得接近完全监督模型的高质量掩码预测,在三个视频示例分割基准上展示了该框架的竞争性性能。
Apr, 2024
本文提出了一种新的弱监督全景分割方法,使用逐点标注替代像全监督方法那样使用像素级标签,通过构建端到端的框架同时从逐点标签生成全景伪掩模进行学习,最小化像素到点间的遍历成本以模拟语义相似性、低级纹理线索及高层流形知识,以实现像素解析。在实验中,本文基于 Pascal VOC 及 MS COCO 数据集证明了此方法的有效性及其领先的性能。
Oct, 2022
我们提出了一种弱监督学习算法,通过仅依赖查询点标注而非完整遮罩标签训练语义分割算法,从而减少了手动注释所需的成本和时间。我们通过生成超像素将查询点标签扩展到包含相似语义的超像素中,并使用部分带有超像素伪标签的图像来监督语义分割模型的训练。我们在航空图像数据集和不同的语义分割结构上对我们的弱监督训练方法进行了基准测试,结果显示我们可以在减少注释工作量的同时达到与完全监督训练相竞争的性能。
Sep, 2023
本文采用点监督的方法提出一种新的弱监督显著性物体检测方法,并使用自适应遮罩洪水填充算法生成伪标签,和基于 Transformer 的模型进行训练,同时提出了一种 Non-Salient Suppression(NSS)方法来针对第一轮训练中生成的错误显著性标签进行优化,并应用于第二次训练中,最终在五个基准数据集上证明该方法优于其他先前的监督学习方法和完全监督的最新模型。
Mar, 2022
提出了一种基于稀疏点注释方案的新型 Point-VOS 任务和标注机制,通过基于伪掩码的训练可以使现有的 VOS 方法在性能上接近全监督的表现,并且该数据可用于改进视觉和语言相关的模型。
Feb, 2024
本论文提出了一种弱监督点云分割方法,可以在训练阶段仅标记极少量点,通过学习梯度近似和利用额外的空间和颜色平滑约束来实现,性能接近或甚至优于全监督的方法,具有很高的实用性。
Apr, 2020
本文提出了一种半弱监督分割算法,基于新的深度监督学习方法和学生 - 教师模型,结合各种监督信号以实现易于集成,有效地减少了昂贵标注的要求。经过实验验证,该算法在视网膜液体分割上取得了成功。
本文提出了一种基于点监督的强基线模型,通过挖掘短期和长期视角的帧间互补信息来推断具有时间信息的显着性图,并采用混合令牌注意模块和长期交叉帧注意模块分别实现。实验结果表明,该方法优于以前的最先进的弱监督方法,甚至可以与一些全监督方法媲美。
Jul, 2022