AAAINov, 2018

基于点距学习的弱监督场景解析

PDF
TL;DR本文提出一种基于点的距离度量学习（PDML）方法，通过鼓励标注点之间的特征保持一致来引导训练过程，使用限定的标注点代替密集标注 mask 进行语义场景解析，最终在 PASCAL-Context 和 ADE 20K 数据集上实验验证结果表明 PDML 方法有效性较高。
semantic scene parsingpoint-based distance metric learninglimited annotationsdistance metric lossdeep neural networks
发现论文，激发创造
  • 概率深度度量学习用于高光谱图像分类

    本文提出了一种概率深度度量学习（PDML）框架，用于高光谱图像分类，通过将空间信息纳入模型并利用更多信息以差异化像素，该框架可应用于现有方法，并在四个广泛使用的数据集上获得技术优势。

    Nov, 2022

  • 点级监督的全景分割

    本文提出了一种新的弱监督全景分割方法，使用逐点标注替代像全监督方法那样使用像素级标签，通过构建端到端的框架同时从逐点标签生成全景伪掩模进行学习，最小化像素到点间的遍历成本以模拟语义相似性、低级纹理线索及高层流形知识，以实现像素解析。在实验中，本文基于 Pascal VOC 及 MS COCO 数据集证明了此方法的有效性及其领先的性能。

    Oct, 2022

  • 自适应密度判别度量学习

    本文针对之前的距离度量学习算法中存在的一些问题，提出了一种通过分布模型在表示空间中自适应评估相似性，并通过惩罚类别分布重叠实现局部判别的新方法，在多项任务上取得了最新的分类结果，并提高了所学表示的属性集中度和层次恢复能力。

    Nov, 2015

  • 本地相似性感知深度特征嵌入

    本文提出了一种自适应于本地功能结构的相似度度量，由于有利于选择真正的艰难样本来指导深度嵌入学习，并且具有更快收敛和提高性能的优势，在复杂的图像检索数据集上表现优异。

    Oct, 2016

  • 通过深度度量学习实现语义实例分割

    我们提出了一种新的语义实例分割方法，该方法首先计算两个像素可能属于同一个对象的概率，然后将相似的像素分组。我们的相似度度量基于一种深度的，完全卷积的嵌入模型。我们的分组方法基于选择所有与从深度完全卷积计分模型中选择的一组 “种子点” 足够相似的点。我们在 Pascal VOC 实例分割基准测试中展示了竞争性的结果。

    Mar, 2017

  • 基于语义数据增强的距离度量学习用于领域泛化

    该论文研究了如何通过采用特征空间中的隐式语义增强来提高模型的泛化性能，并将距离度量学习（DML）的额外损失函数和无限增强的交叉熵损失的 logits 作为 DML 损失的输入特征。实验表明，该方法在 Digits-DG、PACS 和 Office-Home 三个基准测试数据集上可以实现最先进的性能水平。

    Aug, 2022

  • 深度关系度量学习

    本文提出了一种深度关系度量学习（DRML）框架，用于图像聚类和检索。该方法采用可自适应学习的特征集合来建模类内和类间分布，并使用关系模块和图建模在图像上进行关系推理，得到一种关系感知嵌入来测量相似性，从而有效提高了当前深度度量学习方法的效果。

    Aug, 2021

  • 使用像素度量学习的快速视频目标分割

    该研究致力于解决在给定用户注释指向感兴趣的物体的情况下的视频对象分割问题。作者提出了一种基于学习嵌入空间的像素级检索方法，并使用全卷积网络作为嵌入模型，使用修改后的三元组损失进行训练。作者提出的方法支持不同类型的用户输入，如在第一帧中的分割遮罩（半监督情况下），或者一个稀疏的点击点集合（交互情况下），并在计算成本上获得了很好的结果。在半监督场景中，该方法达到了与现有技术相比竞争性的结果，但计算成本仅为每帧 275 毫秒。在交互式场景中，该方法能够实时响应用户的每个输入，并达到了与竞争方法相当的质量，但交互程度要少得多。

    Apr, 2018

  • 利用点注释在使用边界损失的分割学习中

    通过使用强度感知距离图和边界损失，本研究在点标注的语义分割中探讨了强度感知距离图与边界损失的组合。结果表明，这种监督策略具有巨大潜力，并在实验中取得了令人鼓舞的初步结果。

    Nov, 2023

  • 密度自适应的深度度量学习

    本论文提出将数据的密度测量集成到 DML 的优化框架中，以在端到端的训练过程中自适应平衡类间相似性和类内变异性，通过在三种嵌入方式上增加密度适应性，不断地在三个公共数据集上展示清晰的改善。

    Sep, 2019