本文提出了一种新颖的数据有效的半监督学习框架,该框架利用大规模的未配对图像和标题数据来学习它们之间的联系,并通过生成对抗网络将伪标签分配给未配对样本,来训练图像字幕模型。实验结果表明,该方法相对于几个强基线的效果明显,尤其是在配对样本数量很少的情况下。此外,我们构建了少配对的 COCO 数据集,证明了我们方法的有效性。
Sep, 2019
介绍了在混乱场景中进行机器人感知的方法,在 Amazon 机器人挑战赛中获得胜利。作者提出了两种策略:一种是基于深度度量学习的方法,另一种是基于全监督语义分割方法的方法,并在数据集上进行了全面分析。两种方法都有良好效果,值得进一步研究。
Sep, 2017
本文提出了一种利用视觉 - 语言模型 CLIP 生成粗略掩模并迭代互相调整支持和查询图片的掩模预测的框架,实验结果表明该方法不仅在 PASCAL-5i 和 COCO-20i 数据集上优于最先进的弱监督方法,还能够取得与最近的有监督方法相当甚至更好的结果,并且具有出色的野外图像和非常规类别的泛化能力。
Mar, 2023
本论文提出了一种新的基于弱监督和半监督框架的语义分割系统,可以处理包括对象、部分、杂物和属性在内的无限数量的概念,通过训练深度神经网络,产生视觉 - 语义嵌入,在完全注释的数据集上训练注意力驱动类无关分割网络。
Aug, 2018
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
该研究提出了一种使用网络图像和图像级标签进行弱监督下的全卷积网络语义分割的方法,其利用大规模的共同分割框架从网络图像中生成标签,获得了 56.9 的交并比,在语义分割方案中取得了最新的性能。
May, 2017
本文研究了半监督分割方法,与之前的方法相比,本文的方法在标注预算方面有了重大突破,在使用低标注预算时,我们的方法在语义与实例分割方面表现优于弱监督方法,并在较小的标注成本下优于以往的半监督方法。同时,我们通过考虑总的标注预算,将弱监督和半监督方法结合在一起,从而更公正地比较各种方法。我们在 Pascal VOC 基准测试上展示了结果。
May, 2019
文章提出了一种利用一些有限的像素注释数据和一些无标签数据进行半监督语义分割的方法,并在 PASCAL VOC 2012,PASCAL-Context,和 Cityscapes 数据集上实现了最新的半监督学习的最佳性能。
Aug, 2019
该论文提出一种基于视觉 - 语言嵌入模型和测试时增强技术的无监督伪标记方法,可以在不需要训练语义分割网络或看到任何分割掩码的情况下为每个对象创建语义分割遮罩。
Dec, 2021
该研究提出了一种基于图像类别标签的新型递归粗到细语义分割框架,可用于图像分割和前景分割等任务,并且只需要一个标签来处理包含多类别对象的图像。
Dec, 2018