W-Net: 一种用于完全无监督图像分割的深度模型
提出 SegNet,一种用于语义像素级图像标注的深度编码器 - 解码器结构。该网络通过编码器捕捉图像特征,并使用解码器映射到原始图像尺寸,实现了准确的像素级预测。在无需额外辅助信息的情况下,在几个公共基准数据集上的表现均优于最先进的方法。
May, 2015
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
本文提出了一种新颖的深度神经网络架构,用于使用异构注释进行半监督语义分割,从而实现了分类和分割的解耦。该算法利用训练数据中的图像级和像素级类标签分别学习分类和分割网络,有效地减少了限制搜索空间并展现出优异的性能表现。
Jun, 2015
本文介绍了一种用于语义像素分割的深度全卷积神经网络,称为 SegNet。该网络架构由编码器网络、相应的解码器网络和像素分类层组成,编码器网络的拓扑结构与 VGG16 网络的 13 个卷积层完全相同,解码器使用池化索引计算非线性上采样,使得解码器可以将低分辨率的特征映射映射到全分辨率的特征映射,从而在像素级别进行分类。评估结果表明,SegNet 相对于其他现有的架构具有更好的推理性能和更高的效率。
Nov, 2015
通过使用结合了 U-Net 和条件变分自编码器的生成式分割模型,我们可以有效地产生无限数量的合理假设,以学习分割的分布,该模型可在肺部和城市街景分割任务中显着优于先前的方法,对于临床决策过程中存在的歧义问题,该模型能提供多种可能性的语义分割假设进行诊断并建议需要进一步的行动。
Jun, 2018
本文提出一种半监督学习的语义分割模型,该模型可以将从像素级别注释的强类别中学到的分割知识转移到只有图像级别注释的弱类别中,从而显著扩大了深度分割模型在实际应用中的适用范围。该模型由两个互补且可学习的部分组成:标签转移网络(L-Net)和预测转移网络(P-Net)。通过将这两个部分进行整合,可以在 PASCAL VOC 2012 数据集上实现与完全监督基线相近的 96.5%和 89.4%的性能,而只使用 50%和 0%的像素级别注释类别。
Nov, 2017
本研究提出了一种基于图像块的无监督图像分割策略,将深度聚类方法中无监督特征提取的进展与经典基于图形的方法的算法帮助相结合。我们展示了一个简单的卷积神经网络,通过使用图割来迭代地正则化图像块的分类,从而自然地实现了最先进的全卷积无监督像素级分割器。此外,我们证明了这是利用由视觉变换器模型生成的图像块级别对偶特征的理想场景。我们在真实图像数据上的结果证明了我们提出方法的有效性。
Nov, 2023
本文介绍一种基于深度分割模型集成的半监督学习方法,利用有标注的图片训练模型子集,并使用未标注的图片协同训练模型,同时使用对抗样本来保持多样性,实现语义图像分割的性能提升,在两个医学图像数据集上取得最先进的结果。
Mar, 2019
本研究基于半监督度量学习方法,提出了四种对应关系来捕捉低 - level 图像相似性、语义标注、共现和特征亲和力。这些节点可以从任何部分注释的训练图像中以数据驱动的方式进行学习,因此,该模型不仅适用于弱监督分割中标记的像素,还适用于未标记的像素。
May, 2021
本文提出了一个像素级聚类框架,用于将图像分割成区域,而无需使用地面真值标注。该框架包括特征嵌入模块、特征统计计算模块、图像重建和超像素分割,以实现准确的无监督分割。此外,我们提出了一种训练策略,利用每个超像素内部一致性、相邻超像素间的相似性 / 差异性和图像结构相似性。我们还提出了一种后处理方法,以避免由基于超像素的损失引起的过分分割。最后,我们扩展了所提方法用于无监督语义分割。通过在三个公开数据集上进行实验,我们证明了所提框架的有效性。实验结果表明,所提框架优于先前的最先进方法。
Oct, 2023