Oct, 2018

基于显著性引导的弱监督图像分割深度网络

PDF
TL;DR该研究提出了一种基于显著性引导的图像分割网络，利用自我注意力显著性方法生成微妙的显著性地图，并通过点种植区域生长方法将地点线索扩展为像素级标签，从而生成具有区分性的对象区域。实验结果表明，该方法有效降低了显著性噪声的影响，提高了弱监督图像分割的准确性。
weakly-supervised image segmentationclassification activation mappingsaliency guided image segmentation networkself-attention saliency methodseeded region growing method
发现论文，激发创造
  • 利用图像标签进行弱监督显著目标检测

    本篇论文提出采用无监督学习方法生成的显著图用于像素级注释，在此基础上采用简单而有效的算法训练卷积神经网络，使用图形模型和完全卷积网络为模型更新修复标签歧义和更新粗糙激活地图，结果表明，该算法与目前最佳的强监管方法相当，性能明显优于所有最新的无监督显著性检测方法。

    Mar, 2018

  • 弱监督语义分割中发现类特定像素

    该研究提出一种发现类特定像素的方法，需要通过正确地结合显著性和注意力图才能获得可靠的线索，该方法将二者的可靠性信息组合使用，以训练卷积神经网络以在弱监督语义分割任务和图像级分类任务上实现更好的性能，实验证明，该方法在 PASCAL VOC12 数据集上取得了比以往最好结果更好的成绩。

    Jul, 2017

  • 基于显著性引导的自注意力网络用于弱监督和半监督语义分割

    该论文提出一种基于自注视网络和显著性先验的半监督语义分割模型，能够准确地定位并分割图像区域，且在 PASCAL VOC 2012 上的表现优于目前所有其他先进方法。

    Oct, 2019

  • 利用显著性从图像级标签进行目标分割

    使用显著性模型和图像级别注释相结合实现像素级标注的弱监督训练，从而实现像素级对象的语义标注任务，其中 80％的全监督性能已经恢复。

    Jan, 2017

  • 引导式关注推理网络：告诉我该看哪里

    利用弱监督学习和注意力图，我们提出了一种新的建模方法，使得注意力图成为端到端训练的自然组成部分，并通过直接从网络本身探索监督来直接在这些图上提供自我指导，从而成功地解决了以前方法中的缺点，并在语义分割任务上优于现有技术。

    Feb, 2018

  • 基于显著性引导的弱监督物体检测的端到端学习

    本文主要研究弱监督物体检测（WSOD）中缺乏位置监督的问题，并将显著性集成到深度网络中，对高置信对象提出类别特定的显著性，这些特定的位置信息、语义信息和显著信息来显式监督网络，并通过预测网络隐式地指导本地化过程，实现了端到端的训练，实验结果表明，我们的方法优于所有最先进的方法。

    Jun, 2017

  • 基于弱监督语义分割的非显著区域对象挖掘

    本文提出一种基于对象挖掘的弱监督语义分割方法，该方法采用图形全局推理单元和自我修正机制，可以在非显著区域激活对象特征，进一步挖掘非显著区域的对象，并通过使用假标签的潜在对象挖掘模块减少虚假负面率。实验结果表明，在 PASCAL VOC 数据集上与当前方法相比有最先进的效果。

    Mar, 2021

  • 基于多源弱监督的显著性检测

    利用分类标签、字幕和未标记数据等不同类型的监督实现显著性检测模型的训练，通过 CNet 和 PNet 生成像素级伪标签进行训练，使用注意力传输损失和注意力一致性损失，使弱监督训练的模型性能得到提升，实验表明我们的方法与许多监督方法相比具有较好的性能。

    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

  • 基于图像级别监督学习像素级语义相似性用于弱监督语义分割

    本文提出了一种用于弱监督下的图像标注的全新框架 ——AffinityNet。该框架通过训练一个深度神经网络，使其能够预测一对相邻图像坐标之间的语义亲和性，从而通过随机游走来实现语义的传播，以生成图像的分割标签。实验表明，使用我们的方法生成的分割标签训练的 DNN，甚至比其它依赖于更强监管的模型表现更为优秀。

    Mar, 2018