自监督语义分割调整的混合匹配

AAAIDec, 2017

Mix-and-Match Tuning for Self-Supervised Semantic Segmentation

Xiaohang Zhan, Ziwei Liu, Ping Luo, Xiaoou Tang, Chen Change Loy

TL;DR该研究提出了一种自我监督学习方法，通过引入 “混合和匹配” 步骤来提高语义图像分割任务的性能，该方法无需更多的数据和标签，并且在很多方面与有监督的预训练方法可以媲美甚至超过其性能。

Abstract

Deep convolutional networks for semantic image segmentation typically require large-scale labeled data, e.g. ImageNet and MS COCO, for network pre-training. To reduce annotation efforts, self-supervised semantic segmentation is recently proposed to pre-train a network without any human

semantic image segmentation self-supervised learning mix-and-match discriminative loss fine-tuning

发现论文，激发创造

自监督调整用于小样本分割

提出了一个自适应调节框架以改进基于元学习的 few-shot 语义分割问题，其中包括一个新颖的自监督内循环来提取支持图像的潜在语义特征，并支持基于梯度图的元学习以逐步优化分割结果。

Apr, 2020

自训练方式提升语义分割

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

多模态语义分割的自监督模型适应

提出了一种自适应动态融合多模态语义分割框架，采用自监督模型的融合机制来优化融合多模态特征，在物体类别、空间位置和场景上下文方面增强鲁棒性，同时提出了一种计算高效的 AdapNet ++ 单模分割体系结构，并获得了最新的性能。

Aug, 2018

半监督语义匹配

本文提出了一种半监督学习框架，为无标签图像对增加循环一致性限制，在监督丢失和无监督训练中实现了最先进的语义匹配性能。

Jan, 2019

标签匹配半监督目标检测

本篇论文从分布级别和实例级别两个不同但互补的视角提出了一个简单而有效的 LabelMatch 框架，用于解决自我训练期间存在的标签不匹配问题，并通过 Proposal Self-assignment 机制确定准确的伪标签来促进学生和教师之间的匹配。在 MS-COCO 和 PASCAL-VOC 数据集上的实验结果表明，所提出的框架明显优于其他现有方法。

Jun, 2022

半监督自修正语义图像分割网络

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

GuidedMix-Net：使用标记图像作为参考的半监督语义分割

利用标记信息指导非标记示例的学习，通过三个操作进行语义分割的半监督学习，包括相似标记 - 非标记图像对的插值，互信息的转移以及伪面具的泛化。在 PASCAL VOC 2012 和城市景观上的大规模实验中，与先前的方法相比，GuidedMix-Net 取得了竞争性分割准确性，并显着提高了平均交集联合（mIoU）比先前的方法高 7％。

Dec, 2021

GuidedMix-Net：使用标记的图像作为参考学习改进伪掩码

本文提出了一种基于混合数据的指导式半监督分割方法 GuidedMix-Net，并利用标记数据指导未标记数据的学习，该方法采用特征对齐和互信息传输的方法进行特征融合，同时提出伪标签生成模块用于生成高质量伪标签，联合训练标记数据和伪标签，实验验证了该方法在各种数据集中取得了具有竞争力的分割精度和显着改进的 mIoU。

Jun, 2021

SelfMatch: 结合对比自监督和一致性的半监督学习

SelfMatch 是一个半监督学习方法，结合了对比自监督学习和一致性正则化的优势，经过两个阶段的自欺诈预训练和半监督微调，能够仅仅使用少量标签缩小半监督学习和有监督学习之间的准确率差距，在 CIFAR-10 和 SVHN 等基准数据集上都实现了最先进的结果。

Jan, 2021

掩蔽动量对比学习用于零样本语义理解

通过自监督预训练技术（SSP），本研究旨在评估彻底自监督学习技术在计算机视觉任务中的有效性，无需微调，旨在模仿人类的泛化和识别未见目标的能力，并提出了一种基于标注块的零样本分割评估协议，以及评估 SSP ViTs 的内部和外部物体相似性来衡量其歧视能力，并设计了一种名为 MMC 的简单 SSP 方法，该方法通过对局部特征的相似性进行蒙版图像建模、基于动量的自蒸馏将全局语义转移到局部特征以及全局对比度来提升 SSP ViTs 的区分能力，有效地在图像中进行物体分割，实验结果显示 MMC 在各种数据集上实现了零样本语义分割的顶级效果。

Aug, 2023