May, 2018

基于约束 CNN 的弱监督分割损失函数

PDF
TL;DR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。
weakly-supervised learningcnn segmentationinequality constraintsconstrained lagrangian dual optimizationpartially labelled images
发现论文，激发创造
  • 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

  • 弱监督分割的边界框：全局约束逐渐接近完全监督

    本文提出了一种基于全局约束的弱监督学习分割方法，通过引入严格的拘束和强大的拓扑先验，使得网络输出被限制在一个更准确的区域内，实验结果表明该方法在前列腺和脑病变等应用场景下具有很高的准确性。

    Apr, 2020

  • 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

  • 约束深度网络：通过对数障碍扩展的拉格朗日优化

    本研究提出了一种基于 log-barrier 扩展的方法，用于近似 Lagrangian 优化约束 CNN 问题，以提高精度、约束满足度和训练稳定性。

    Apr, 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

  • 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

  • 弱监督 CNN 分割的归一化割损失

    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

  • 具有对抗约束的弱监督 3D 重建

    本文研究使用前景掩码作为弱监督，通过光线追踪池化层实现透视投影和反向传播的三维重建，同时限制重建到未标记的能匹配覆盖面的真实三维形状。通过该方法可以使用 GAN 训练现有工具。我们通过各种数据集进行单视角和多视角重建的实验和分析表明，我们约束重建的方法在合成和真实图像的重建中均有成效。

    May, 2017

  • 种子、扩展和限制：弱监督图像分割的三个原则

    介绍了一种基于三个指导原则的新型损失函数，用于弱监督训练语义图像分割模型，通过实验证明使用所提出的损失函数训练深度卷积神经网络会比之前最先进的方法在具有挑战性的 PASCAL VOC 2012 数据集上获得更好的分割结果，并通过详细的实验研究给出了我们方法的工作机制。

    Mar, 2016

  • 基于领域约束的弱监督学习可扩展技术

    提出了一种使用符号域知识作为约束条件的新型可扩展端到端管道，用于学习神经网络以弱监督方式对未标记数据进行分类。该方法尤其适用于数据由不同组（类）组成且适合于聚类友好型表示学习的设置，并且可以通过同时考虑多个训练示例来重新制定领域约束以采用有效的数学优化技术。我们在 MNIST 图像分类问题的变体上进行了评估，其中训练示例由图像序列和表示序列中数字的总和组成，并且表明我们的方法比先前依赖于计算每个训练示例的所有约束满足组合的方法具有更大的可扩展性。

    Jan, 2023