指导各向异性扩散和迭代学习用于弱监督变化检测
本文提出了一种新颖的方法,将有向各向异性扩散技术和深度卷积神经网络相结合,实现了超分辨率深度图像的指导。该方法以前人的研究为基础,在边缘转移 / 增强性,与现代网络的上下文推理能力和严格的校准步骤的保证下,在三个常用的超分辨率指导深度准则下展现了前所未有的成果。
Nov, 2022
通过引入一种名为受控扩散的新方法,该研究论文提出了一种解决图像级标签训练弱监督语义分割模型的问题的框架,它通过可控的扩散生成多样化的图像来增强现有的标记数据集,并提出了一种高质量的图像选择策略来减少扩散模型的随机性引入的潜在噪声。实验证明了该方法在有限的可用数据量下优于现有的最先进方法。
Oct, 2023
这篇论文提出了一种基于生成式对抗网络的全卷积变化检测框架,它可以将无监督、弱监督、区域监督和全监督变化检测任务整合到一个框架中,并证明了该框架在无监督、弱监督和区域监督变化检测中的有效性。
Jan, 2022
本文介绍了一种自导扩散模型的方法,它可以利用自我监督信号来提供图像生成的指导,而无需大量的图像注释对。通过结合特征提取功能和自注释功能,我们的方法可以为各种图像颗粒度提供指导信号,从整体图像到对象框甚至分割掩模。我们的实验表明,我们的方法在单标签和多标签图像数据集上总是优于无指导的扩散模型,甚至可能超过基于基础真实标签的指导,特别是在不平衡数据上。
Oct, 2022
该研究提出了一种基于迭代算法的学习方法,利用像素点之间的强关联性来生成密集分割地图,并通过信任区域来确保像素关联的可靠性以在没有准确标记的情况下学习亲和力矩阵,实验表明该方法在 PASCAL VOC 2012 和 COCO 数据集上性能优越。
Feb, 2020
本文提出了一种基于深度学习和引导滤波的高效图像抠图方法,称为归纳引导滤波,可在移动设备上实现实时的一般图像抠图任务,并在复杂纹理的图像抠图中使用 Gabor 损失进行网络训练。实验结果表明,我们的方法大大减少了运行时间并保证了良好的准确性。
May, 2019
这篇论文介绍了一种基于知识蒸馏和多尺度 Sigmoid 推理的弱监督变化检测技术,通过利用图像级别标签,能够更准确地检测潜在的变化区域,进一步提高了变化概率图的性能。实证结果表明,该方法在三个公共数据集上明显优于现有技术。
Mar, 2024
本文提出了 W-CDNet,一种新型的基于弱监督学习方法的变化检测网络,可以通过基于图像级别的语义标签训练,既可以用于只包含变化图像对又可以用于包含变化和不变图像对的数据集;W-CDNet 使用两个 W-shaped Siamese U-Net 提取特征地图,然后比较这两个特征地图来创建原始变化遮罩,并利用 CSC 模块使用自定义重新映射块学习准确的变化遮罩并将当前输入图像分割成相应的标签。该方法在三个公开数据集上取得了当下最优的误差检测和分类性能。
Nov, 2020
通过引入全局尺度和局部尺度先验以及新的组件,本文提出了一种基于弱监督学习的变化检测模型 TransWCD,通过将 DP 解码器和 LG 约束与 TransWCD 相结合,构建了 TransWCD-DL,实验结果表明,与当前最先进的方法相比,TransWCD 和 TransWCD-DL 在 WHU-CD 数据集上可以获得显著的 F1 得分提升。
Jul, 2023