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
本研究提出了一种半监督方法,只需要较少数量的粗粒度类别的边界框注释和大规模细粒度类别的图像级标签,即可实现接近完全监督检测的所有类别的检测精度,包括了使用共享骨干,基于软注意力的候选建议重排和双级存储器模块的相关性。实验证明,这种方法在 ImageNet 和 OpenImages 这两个大规模数据集上,只有少部分类别进行完全注释就能够接近最先进的全监督方法。
Aug, 2019
通过语义类别分割为基础,使用一种深度卷积回归网络来预测像素级的实例边界框,以实现语义实例分割,同时在训练过程中采用在线引导方法来进一步提高语义类别分割和实例级分割的效果,以最终在 PASCAL VOC 2012 数据集上取得最佳结果。
May, 2016
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
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
本文探讨了使用弱监督方法进行语义分割的可行性,提出了一种基于单阶段自我监督学习的网络模型,使用图像级注释训练语义掩码取得了与复杂流水线相竞争的结果,优于早期的单阶段方法。
May, 2020
本研究提出了一种基于子类信息的自我监督任务方法,通过聚类生成伪子类别标签,从而优化初始响应图,提高弱监督语义分割方法的性能。
Aug, 2020
本研究探讨了物体分割的任务,通过使用语义分割系统和限制玻尔兹曼机的有益信息,结合 Dense CRF 标签,采用判别式方法提高了语义部分分割的性能,并在 PASCAL 数据集上展示了优越的性能。
May, 2015