ICCVJun, 2015

基于约束的卷积神经网络弱监督分割

PDF
TL;DR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。
dense pixel-wise labelingconvolutional neural network (cnn)constrained cnnweakly supervised semantic image segmentationlinear models
发现论文，激发创造
  • 基于约束 CNN 的弱监督分割损失函数

    本文提出一种基于不等式约束的 CNN 弱监督分割方法，通过引入可微分约束惩罚项，使训练过程中的非标注数据指导网络的学习，经实验证明该方法相比于先前研究的 Lagrangian 方法能够更加优化，并降低了训练过程的计算复杂度。

    May, 2018

  • 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

  • 从图像级别到像素级别的卷积网络标注

    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。

    Nov, 2014

  • 使用深度卷积神经网络学习语义分割的可转移知识

    该论文介绍了一种新颖的弱监督语义分割算法，该算法利用基于深度卷积神经网络的辅助分割注释，通过设计解耦编码器 - 解码器体系结构来生成空间高光区域，并使用注意力模型和分割注解在不同类型中加速弱监督下的语义分割。 训练该模型可以在 Microsoft COCO 数据集中的 60 个独家类别的注释下，显着提高在具有挑战性的 PASCAL VOC 2012 数据集中的表现。

    Dec, 2015

  • 基于 DCNN 的语义图像分割的弱 / 半监督学习

    作者提出一种针对弱监督和半监督学习条件下的语义图像分割模型训练的 Expectation-Maximization 方法，实验表明所提技术具有竞争性的成果，同时需求更少的标注工作量。

    Feb, 2015

  • 种子、扩展和限制：弱监督图像分割的三个原则

    介绍了一种基于三个指导原则的新型损失函数，用于弱监督训练语义图像分割模型，通过实验证明使用所提出的损失函数训练深度卷积神经网络会比之前最先进的方法在具有挑战性的 PASCAL VOC 2012 数据集上获得更好的分割结果，并通过详细的实验研究给出了我们方法的工作机制。

    Mar, 2016

  • 基于可微分特征聚类的图像分割无监督学习

    本文研究了卷积神经网络在无监督图像分割中的应用。我们提出了一种新的端到端网络方法，包括归一化和可微聚类函数，解决了前人固定分割边界的局限性。我们还针对用户输入扩展了该方法，同时保持高效性和准确性。经过在多个数据集上的测试，得出了该方法的有效性。

    Jul, 2020

  • 卷积神经网络进行高分辨率语义标记

    本文介绍卷积神经网络在图像语义分割领域的应用，通过深入研究相关架构，提出了更加高效和灵活的 CNN 框架，能够在高分辨率航空影像语义分割任务中取得更好的性能表现。

    Nov, 2016

  • 弱监督语义图像分割的门控 CRF 损失

    该论文介绍了一种新的弱监督方法，将神经网络与部分交叉熵损失函数以及门控条件随机场损失函数相结合，以达到在标注像素点与未标注像素点上达到最优的分割效果。

    Jun, 2019

  • 对比学习用于标签少的语义分割

    本文提出了一种基于对比度学习的语义分割训练策略，使用像素级和标签基础对比损失的方法，能够在减少标记数据的情况下提高性能，并通过 Cityscapes 和 PASCAL VOC 2012 数据集的实验证明了该方法的有效性。

    Dec, 2020