利用显著性从图像级标签进行目标分割
本篇论文提出采用无监督学习方法生成的显著图用于像素级注释,在此基础上采用简单而有效的算法训练卷积神经网络,使用图形模型和完全卷积网络为模型更新修复标签歧义和更新粗糙激活地图,结果表明,该算法与目前最佳的强监管方法相当,性能明显优于所有最新的无监督显著性检测方法。
Mar, 2018
该研究提出了一种基于显著性引导的图像分割网络,利用自我注意力显著性方法生成微妙的显著性地图,并通过点种植区域生长方法将地点线索扩展为像素级标签,从而生成具有区分性的对象区域。实验结果表明,该方法有效降低了显著性噪声的影响,提高了弱监督图像分割的准确性。
Oct, 2018
该研究提出一种发现类特定像素的方法,需要通过正确地结合显著性和注意力图才能获得可靠的线索,该方法将二者的可靠性信息组合使用,以训练卷积神经网络以在弱监督语义分割任务和图像级分类任务上实现更好的性能,实验证明,该方法在 PASCAL VOC12 数据集上取得了比以往最好结果更好的成绩。
Jul, 2017
本论文提出了一种基于半监督学习的视频显著性目标检测方法,使用伪标签从稀疏注释帧中生成像素级伪标签,并结合部分手动注释,学习了空间和时间线索,进而产生准确的显著性图。实验结果表明,我们的方法在 VOS、DAVIS 和 FBMS 三个公共基准测试数据集上均明显优于所有最先进的全监督方法。
Aug, 2019
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
本文提出了一种使用非监督手工特征显著性方法获取像素级嘈杂标签学习光场显著性的方法,并在多个基准数据集上进行了广泛实验,表明该框架学习的显著性预测与现有的监督学习光场显著性方法相当,其代码可以在 https URL 上获得。
Apr, 2022
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
本研究探讨如何使用图像级别标注来进行语义分割,通过 Anh 和 Kwak 提出的方法从图像级别标注中生成像素级别标注,并提出了对 AffinityNet 的调整,以进行直接的语义分割。结果表明,生成的标签与原始数据集的性能相同,并且直接使用 AffinityNet 和 Random Walk 进行的语义分割质量接近于最佳完全监督方法。
Apr, 2019
本文提出了基于新型弱标注的视频显著目标检测模型,并使用外观运动融合模块和双向 ConvLSTM 框架来实现有效的多模态学习和长期时序建模,还设计了一种前景背景相似度损失和一种弱标注增强策略,以提高模型性能和伪标签生成技术。在六个基准视频显著性检测数据集上的实验结果证明了我们方案的有效性。
Apr, 2021
通过仅在稀疏像素位置提供标签,深度神经网络可以实现良好的语义分割性能,结合主动学习机制和高效注释策略可以大大减少标注成本,并在 CamVid,Cityscapes 和 PASCAL VOC 2012 数据集上进行了实验证明了相当可比的性能。
Apr, 2021