Nov, 2018

基于生成对抗网络的语义图像分割像素级数据增强

PDF
TL;DR本文介绍如何使用数据增强方法来平衡语义标签分布，提高图像语义分割网络的性能，并使用生成对抗网络来生成逼真的图像以提高图像标签性能。实验结果表明，该方法不仅可以提高低准确度的分类的分割性能，还可以使平均分割准确率提高 1.3％至 2.1％。这种增强方法提高了准确性，可以轻松适用于其他分割模型。
semantic segmentationdata augmentationgenerative adversarial networkssegmentation accuracyimage labeling
发现论文，激发创造
  • 使用生成对抗网络进行半监督和弱监督语义分割

    本文利用大量未标注或弱标注的数据和生成式对抗网络作为背景，提出了一种半监督框架实现语义分割，其中利用推理出的大量虚假图片来强化真实数据的特征聚类；同时，通过提供分类级别信息，提高 GAN 生成图像的质量，进而改善了像素分类，该方法经过在几个挑战性的基准视觉数据集上测试，表现与当前的最先进语义分割方法相当。

    Mar, 2017

  • 远程感知图像中的数据增强和适应的条件生成对抗网络

    使用 GAN 将给定的标记遥感图像拓展成更大的数据集并评测其对于物体检测任务的性能提升。

    Aug, 2019

  • GAN 增强：使用生成对抗网络进行训练数据增强

    本文使用生成式对抗网络（GAN）生成的合成数据来增加医学成像训练数据集的样本数量，从而提高监督式机器学习算法对图像分割任务的性能。

    Oct, 2018

  • 使用生成对抗网络的无监督领域自适应在航空影像语义分割中的应用

    本文研究利用生成对抗网络减少领域适应在空中图像语义分割中的影响，并在实验中测试表明，在 Potsdam 领域（源领域）到 Vaihingen 领域（目标领域）的转变中，该方法将整体准确性从 35% 提高到 52%。

    May, 2019

  • 使用对抗网络进行语义分割

    本文提出一种对语义分割模型进行对抗训练的方法，通过训练一个卷积语义分割网络和一个对抗网络，可以检测和纠正真实分割地图与分割网络产生的高阶不一致性，实验结果表明，我们的对抗训练方法可以在 Stanford Background 和 PASCAL VOC 2012 数据集上提高准确性。

    Nov, 2016

  • 半监督和任务驱动的数据增强

    本文技术为使用生成模型并结合任务驱动数据增强方法，显式地建模变形场和强化蒙版，用于为监督型深度学习模型训练新的 MRI 心脏分割训练数据，实验结果表明该方法在小样本数据的分割任务中表现优异。

    Feb, 2019

  • 逐步增长的生成对抗网络在卫星影像高分辨率语义分割中的应用

    本研究使用递进增长的生成对抗网络对高分辨率卫星图像进行像素级分割，以分割建筑物屋顶。通过在 SpaceNet 版本 2 数据集上进行测试，相较于传统 GAN 训练，递进 GAN 训练获得了更高的测试准确性，达到了 93%。

    Feb, 2019

  • 深度学习图像增强的对抗策略梯度

    提出了深度强化学习框架 Adversarial Policy Gradient Augmentation (APGA)，利用语义分割进行图像增强，实验表明该方法在医学图像分类任务中有较好的表现。

    Sep, 2019

  • MR 图像分割的逼真对抗数据增强

    本文提出了一种对神经网络进行医疗图像分割的对抗性数据增强方法，生成真实信号失真来模拟由一种常见的造影剂称为偏差场引起的强度不均匀性，该方法可用于有监督和半监督学习中的一般分割网络的插件模块，并且在低数据情况下显著提高了模型的泛化能力和鲁棒性。

    Jun, 2020

  • Red-GAN: 通过有条件生成攻击类别不平衡 - 对皮肤镜检和脑部肿瘤 MRI 的医学图像合成的另一视角

    通过基于生成对抗网络的数据增强协议，我们在像素级别和全局信息水平上对网络进行调节，以控制合成图像的外观，从而解决医学图像领域中被数据稀缺限制的问题，并通过将合成图像注入到训练集中来控制数据集类别的准确性水平。

    Apr, 2020