弱监督 CNN 分割的归一化割损失

CVPRApr, 2018

Normalized Cut Loss for Weakly-supervised CNN Segmentation

Meng Tang, Abdelaziz Djelouah, Federico Perazzi, Yuri Boykov, Christopher Schroers

TL;DR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。

Abstract

Most recent semantic segmentation methods train deep convolutional neural networks with fully annotated masks requiring pixel-accuracy for good quality training. Common weakly-supervised approaches generate full masks from partial input (e.g. scribbles or seeds) using standard interact

semantic segmentation convolutional neural networks weakly-supervised learning loss function normalized cut

发现论文，激发创造

弱监督语义图像分割的门控 CRF 损失

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

正则化损失在弱监督 CNN 分割中的应用

本研究提出了一种使用正则化损失函数来弱监督地提高语义分割的准确性的方法，最终达到近似全监督的质量。

Mar, 2018

基于约束 CNN 的弱监督分割损失函数

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

DeepCut：基于图神经网络聚类的无监督分割

该研究提出了一种基于图神经网络的图像分割方法，相较于现有方法可以隐式地完成部件语义分割，用于目标定位、分割和语义部件分割任务并在多个基准测试中取得了最先进的表现。

Dec, 2022

基于约束的卷积神经网络弱监督分割

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

可靠性至关重要：一种端到端的弱监督语义分割方法

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

利用先验网络知识学习弱监督语义分割

本文介绍了一种使用图像标签进行弱监督语义分割的模型，利用图像标注作为注意机制来识别图像中的语义区域，并描述了如何将此掩模生成策略纳入完全端到端可训练的过程中，其中网络同时学习对图像进行分类和分割，实验表明，利用生成的类特定掩模可以超越只使用图像标记的最新弱监督语义分割方法甚至某些利用额外监督或训练数据的模型。

Apr, 2018

对比学习用于标签少的语义分割

本文提出了一种基于对比度学习的语义分割训练策略，使用像素级和标签基础对比损失的方法，能够在减少标记数据的情况下提高性能，并通过 Cityscapes 和 PASCAL VOC 2012 数据集的实验证明了该方法的有效性。

Dec, 2020

基于像素到分割对比学习的通用弱监督分割

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

学习从噪声标注中分割皮肤病变

该研究提出了一个新的框架，可以使用大量的便宜的不可靠注释和较少的专家级别的干净注释训练完全卷积分割网络，使用空间可适应重新加权方法在损失函数中平衡了干净和嘈杂的像素级注释，使用元学习方法将更多的重要性分配给损失梯度方向更接近干净数据的像素，实验表明，使用空间重新加权可以改善深度网络对噪声注释的鲁棒性。

Jun, 2019