CVPRMar, 2017

通过对手段抹去进行对象区域挖掘：一种从简分类到语义分割的方法

PDF
TL;DR本文提出弱监督语义分割中一种新的方法，使用分类网络逐步挖掘具有较强区分性的目标区域。我们提出一种敌对擦除方法，以逐步本地化和扩展目标区域。通过敌对擦除发现的区域最终构成密集且完整的目标区域，进而学习语义分割。该方法在 PASCAL VOC 2012 数据集上获得了 55.0％和 55.7％的平均交集联合度（mIoU）分数，成为新的最优方法。
weakly-supervised semantic segmentationdiscriminative object regionsadversarial erasing approachclassification networksmiou scores
发现论文，激发创造
  • 利用对抗擦除和伪标签改进弱监督目标定位

    该论文研究了一种弱监督对象定位的框架，通过仅使用图像和图像级别的类标签训练神经网络，旨在训练出能够同时预测对象类别和位置的神经网络，并通过采用对抗抹除和伪标签来提高定位准确性。在 ILSVRC-2012、CUB-200-2011 和 PASCAL VOC 2012 三个公开数据集上的实验结果表明，该方法在所有评估指标上都优于先前的最先进方法。

    Apr, 2024

  • 基于弱监督语义分割的非显著区域对象挖掘

    本文提出一种基于对象挖掘的弱监督语义分割方法，该方法采用图形全局推理单元和自我修正机制，可以在非显著区域激活对象特征，进一步挖掘非显著区域的对象，并通过使用假标签的潜在对象挖掘模块减少虚假负面率。实验结果表明，在 PASCAL VOC 数据集上与当前方法相比有最先进的效果。

    Mar, 2021

  • 基于迭代挖掘共同对象特征的弱监督语义分割

    本文提出一个迭代的自下而上和自上而下的框架，通过挖掘常见特征来扩展对象区域，并通过优化分割网络进行训练和预测对象掩码，证明此方法在 Pascal VOC 2012 数据集上的表现优于现有的最先进方法。

    Jun, 2018

  • 对具备严格区域发现功能的视频对象分割的对抗攻击

    本论文研究视频对象分割中的敌对例子对模型的影响，通过对易混淆区域的攻击，通过生成更强敌对干扰从而降低现有视频对象分割模型的性能。

    Sep, 2023

  • 感知、挖掘和净化：一种新颖的物体挖掘框架用于实例分割

    该论文提出了一个新的对象挖掘框架，包括语义感知子网络、对象挖掘机制和实例净化策略，可以有效地解决物体不可区分性和实例之间关系建模的难点，实验结果表明该方法优于现有的最优方法。

    Apr, 2023

  • 半监督语义分割的对抗学习

    本研究提出了一种采用对抗网络的半监督语义分割方法，通过设计全卷积判别器，辅以标准交叉熵损失，实现对未标记图像的信任区域的发现，提高了分割准确性。在 PASCAL VOC 2012 和 Cityscapes 数据集上的实验证明了该算法的有效性。

    Feb, 2018

  • 自擦除网络用于整体物体关注

    本文介绍了一种自擦除的网络（SeeNet），用于解决弱监督目标注意力定位中注意力区域逐渐扩散到非目标区域的问题，以及促进目标注意质量，其基于两种自我擦除策略，可以有效地突出积分对象区域，而不包括更多的背景区域。实验结果表明，相比其他最先进的方法，我们的 SeeNet 在 Pascal VOC 数据集上的表现更卓越。

    Oct, 2018

  • 使用对抗网络进行语义分割

    本文提出一种对语义分割模型进行对抗训练的方法，通过训练一个卷积语义分割网络和一个对抗网络，可以检测和纠正真实分割地图与分割网络产生的高阶不一致性，实验结果表明，我们的对抗训练方法可以在 Stanford Background 和 PASCAL VOC 2012 数据集上提高准确性。

    Nov, 2016

  • P-NOC: 弱监督语义分割的对抗性 CAM 生成

    本研究提出了一种基于类别的对抗擦除策略，在弱监督语义分割中实现模型的正则化和提高模型性能。经实验证明，该策略可以在 Pascal VOC 2012 和 MS COCO 2014 数据集上显著提高模型的语义分割效果。

    May, 2023

  • 基于分割协作的弱监督目标检测

    本文提出了一种新型的端到端弱监督检测方法，将引入的生成对抗分割模块与传统检测模块相互作用，充分利用弱监督定位任务的互补解释，即检测与分割任务，形成更全面的解决方案，从而获得更精确的对象边界框。

    Apr, 2019