该论文介绍了一种新的弱监督方法,将神经网络与部分交叉熵损失函数以及门控条件随机场损失函数相结合,以达到在标注像素点与未标注像素点上达到最优的分割效果。
Jun, 2019
本研究提出了一种基于 normalized cut 的 loss function 的语义分割方法,相比于传统的弱监督学习方法可以显著提高训练质量。
Apr, 2018
本文提出了一种新的鲁棒的信任区域方法,用于正则化损失以提高其性能,特别是对于弱监督训练问题,如语义分割。
Apr, 2021
本文提出一种基于不等式约束的 CNN 弱监督分割方法,通过引入可微分约束惩罚项,使训练过程中的非标注数据指导网络的学习,经实验证明该方法相比于先前研究的 Lagrangian 方法能够更加优化,并降低了训练过程的计算复杂度。
May, 2018
通过课程式策略和回归网络,基于不等式约束的半监督 CNN 分割技术在磁共振图像左心室分割方面的应用上,使用未标记的数据更高效地实现了分割网络,与标准的基于建议的半监督策略相比有着很有竞争力的结果,接近全监督的性能水平。
Apr, 2019
我们提出了一个名为约束卷积神经网络的方法,它使用一种新的损失函数来优化 CNN 模型输出空间上任何一组线性约束条件,并且通过大量实验得出该方法在弱监督语义图像分割任务中表现出卓越的效果。
Jun, 2015
本研究通过引入自己调节(SR)损失来解决语义分割中的两个主要失败案例,包括缺少小物体或部分和将大物体的小部分归错类现象,通过对深层和浅层特征的调节来增强模型的更好的捕捉细节和语义,实验结果证明该方法在弱监督和全监督任务中均优于基线模型,且适用于各种最新的语义分割模型。
Aug, 2021
本文提出了基于区域级别对比和一致性学习框架 (RC^2L) 的半监督语义分割方法,通过引入区域级别损失,包括 Region Mask Contrastive (RMC) 损失、Region Feature Contrastive (RFC) 损失、Region Class Consistency (RCC) 损失和 Semantic Mask Consistency (SMC) 损失,实现了更好的稳定性和性能。在 PASCAL VOC 2012 和 Cityscapes 数据集上的实验结果表明,所提出的方法优于现有最先进方法。
Apr, 2022
通过提出一种新的框架,即 MaskMatch,并应用多尺度集成策略,实现了对半监督语义分割任务中细粒度局部语义的更好感知和更准确的分割。
Dec, 2023
在语义分割方面仅使用图像标签的弱监督方法在像素级注释方面费时昂贵。本文提出了一种不使用外部物体模块的新方法,使用卷积层的激活并通过稠密 CRF 平滑来从预训练网络本身中提取标记,以实现更精确地语义分割。此外,我们介绍了一种新的廉价的弱监督方法,可提高分类效果。
Sep, 2016