使用深度学习从卫星图像中自动提取道路是传统手动制图的可行替代方案,本文提出了利用 OpenStreetMap 道路数据作为弱标签和大规模卫星图像进行预训练语义分割模型的方法,并且利用大规模预训练使模型具有更好的泛化能力。
Sep, 2023
本文提出了一种使用图像级别标签进行实例分割的新框架,其中分为两个阶段,分别是训练分类器生成伪掩模并在这些伪掩模上训练完全监督的 Mask R-CNN。在 PASCAL VOC 2012 数据集上进行实验,相对于现有方法说明主要性能提高。
Jul, 2019
通过使用最新的视觉语言模型和基本的计算机视觉模型,本研究介绍了一种无监督道路解析框架,用于处理超高分辨率的无人机图像,并且无需任何手动标注即可在开发数据集上达到 89.96%的 mIoU。
Feb, 2024
该论文提出了一种无监督学习方法来通过 Google Street View 数据库和时光机功能自动适应不同城市的道路场景分割器,实现跨城市语义分割。
Apr, 2017
本文提出了一种基于图像级别信息的全新弱监督语义分割方法,该方法不需要使用复杂的伪标签生成过程,而是利用图像分类信息产生可靠的像素级别的注释,然后使用全新的稠密能量损失函数和端到端网络进行图像分割。通过拓展基于图像分类信息产生的像素级别注释的的一步法到两步法模型,我们在 Pascal VOC 数据集上达到了最新的最高水平性能。
Nov, 2019
本研究介绍了一种半监督框架,通过一个辅助模型和一个自我纠正模块,在只有一小部分完全有监督图像的基础上,使用具有目标边界框标签的图像和只有目标边界框标签的图像集(称为弱集),训练出高质量的语义分割模型,这种方法比传统大量完全有监督数据模型要求的标注工作量减少~7 倍。
Nov, 2018
本文提出了一种半监督学习的方法,即自我训练范式,通过用标注数据训练教师模型并在大量未标注数据上生成伪标签,以较少的监督实现像素级准确模型,并在 Cityscapes,CamVid 和 KITTI 数据集上取得了最优表现,同时,在具有挑战性的跨域泛化任务上表现更佳,最后,为了减轻大量伪标签带来的计算负担,提出了一种快速训练计划来加速分割模型的训练。
Apr, 2020
本文研究了使用卫星图像语义分割实现自动生成地图的问题。通过使用不同的训练数据集进行对比分析,文章指出采用大规模公开标注来取代部分手动标注可以显著降低成本且不影响语义分割效果
Jul, 2017
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。
Apr, 2021
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。