分割就是一切

Apr, 2019

Segmentation is All You Need

Zehua Cheng, Yuxiang Wu, Zhenghua Xu, Thomas Lukasiewicz, Weiyang Wang

TL;DR本文提出了第一个无 anchor 和 NMS 的目标检测模型 WSMA-Seg，利用分割模型实现精确和稳健的目标检测，WSMA-Seg 使用多模态注释，开发了一种基于运行数据的跟踪算法来追踪物体轮廓，并提出了多尺度池化分割模型 (MSP-Seg)，实验结果表明该方法优于最先进的检测器。

Abstract

region proposal mechanisms are essential for existing deep learning approaches to object detection in images. Although they can generally achieve a good detection performance under normal circumstances, their rec

region proposal mechanisms object detection bounding box annotations non-maximum suppression segmentation models

发现论文，激发创造

多模式基础模型增强弱监督语义分割：一种端到端方法

使用弱监督语义分割方法解决数据标注成本高的问题，通过借鉴视觉基础模型来学习对象边界从而提高分割结果的质量。

May, 2024

基于分割协作的弱监督目标检测

本文提出了一种新型的端到端弱监督检测方法，将引入的生成对抗分割模块与传统检测模块相互作用，充分利用弱监督定位任务的互补解释，即检测与分割任务，形成更全面的解决方案，从而获得更精确的对象边界框。

Apr, 2019

WeakSAM：融合分割与弱监督实例级别识别的方法

使用弱监督的视觉识别方法，借助预训练的视觉基础模型（SAM）中的世界知识，解决了弱监督对象检测和分割中的限制问题，并在 WSOD 和 WSIS 基准测试上显著超过了之前的最先进方法。

Feb, 2024

MWSIS: 基于 2D 边框标注的多模态弱监督实例分割在自动驾驶中的应用

通过应用弱监督方法和多模态跨模态监督，同时利用 2D 和 3D 注释来提高伪标签的质量，该研究提出了一种名为 MWSIS 的新型框架，可在自动驾驶等领域中进行实例分割，从而显著提高性能并降低注释成本。

Dec, 2023

弱监督语义分割的背景感知池化和噪声感知损失

本文提出了一种使用边界框标注的弱监督语义分割方法，采用背景感知池化与噪声感知损失函数，可以在 PASCAL VOC 2012 数据集上比现有技术有更好的语义分割效果。

Apr, 2021

医学影像分割：从传统模型到基础模型的超越像素级监督

医学图像分割的注释高效学习与基础模型的挑战：综述与分析。

Apr, 2024

基于 SAM 模型的弱监督语义分割增强伪标签

使用 Segment Anything Model（SAM）结合 Class Activation Maps（CAM）生成更高质量的伪标签，用伪标签为特定类提供信号，选择相关的 mask 并用它们进行标注以产生一个更精确的伪标签，综合我们的方法提高了五种最先进的弱监督语义分割方法的平均伪标签交并比（mIoU）6.2％。

May, 2023

基于图像级标签的弱监督语义分割：从传统模型到基础模型

基于图像级标签的弱监督语义分割是有效的避免昂贵标注的解决方案。本文首先对传统方法进行全面调研，然后研究了在弱监督语义分割中视觉基础模型（如 SAM）的适用性和挑战，为该研究领域的未来发展提供了深入的见解。

Oct, 2023

基于弱监督学习的多证据过滤与融合方法用于多标签分类、目标检测和语义分割

该论文提出了一种弱监督课程学习流程，用于多标签对象识别、检测和语义分割的任务，其中包括四个阶段，包括训练图像的对象定位、筛选和融合对象实例、像素标注以及基于任务的网络训练，通过这种流程，实现了在 MS-COCO、PASCAL VOC 2007 和 PASCAL VOC 2012 数据集上进行多标签图像分类以及弱监督对象检测和语义分割的最新成果。

Feb, 2018

每个注释都很重要：医学图像分割的多标签深度监督

本文提出了一种半弱监督分割算法，基于新的深度监督学习方法和学生 - 教师模型，结合各种监督信号以实现易于集成，有效地减少了昂贵标注的要求。经过实验验证，该算法在视网膜液体分割上取得了成功。

Apr, 2021