文章提出了一种利用一些有限的像素注释数据和一些无标签数据进行半监督语义分割的方法,并在 PASCAL VOC 2012,PASCAL-Context,和 Cityscapes 数据集上实现了最新的半监督学习的最佳性能。
Aug, 2019
本论文提出一种结构相似性损失函数,旨在解决现有研究中半监督语义分割问题中的不足,该方法在Cityscapes数据集上获得了最好的结果,实现了在像素级语义标签任务中的第一名。
Jan, 2020
本文提出了一种新型的基于交叉一致性的半监督语义分割方法,其中共享编码器和主解码器进行有监督训练,利用无标签数据来提高编码器的表示,该方法简单易懂,并且在多个数据集上实现了最先进的结果。
Mar, 2020
本文介绍了一种针对语义分割任务的数据增强方法——ClassMix,其通过混合未标记的样本来生成增强,并通过利用网络对对象边界的预测来保证增强的有效性,在两个常用半监督语义分割基准测试中表现出了最先进的结果,并提供了详细的消融研究和不同设计和培训方式的比较。
Jul, 2020
该研究提出了一种基于半监督学习的语义分割框架,采用了强数据增强和分布特定批处理归一化技术,同时设计自校正损失提高噪声抗干扰能力,在Cityscapes和Pascal VOC数据集上实现了领先水平的结果。
Apr, 2021
本文中,我们提出了一种新的一致性正规化方法,名为交叉伪监督(CPS),通过探索有标签数据和额外的未标记数据来研究半监督语义分割问题。在城市风景和PASCAL VOC 2012上,我们的方法实现了半监督分割性能的最新水平。
Jun, 2021
本研究提出了一种半监督语义分割方法,通过维护不同场景下相同特征的一致性,设计了方向反转损失函数并使用了两种样本筛选策略,该方法在图像级注释下有效地提高了半监督语义分割的性能。
利用标记信息指导非标记示例的学习,通过三个操作进行语义分割的半监督学习,包括相似标记 - 非标记图像对的插值,互信息的转移以及伪面具的泛化。在PASCAL VOC 2012和城市景观上的大规模实验中,与先前的方法相比,GuidedMix-Net取得了竞争性分割准确性,并显着提高了平均交集联合(mIoU)比先前的方法高7%。
Dec, 2021
本文提出了基于区域级别对比和一致性学习框架 (RC^2L) 的半监督语义分割方法,通过引入区域级别损失,包括 Region Mask Contrastive (RMC) 损失、Region Feature Contrastive (RFC) 损失、Region Class Consistency (RCC) 损失和 Semantic Mask Consistency (SMC) 损失,实现了更好的稳定性和性能。在 PASCAL VOC 2012 和 Cityscapes 数据集上的实验结果表明,所提出的方法优于现有最先进方法。
Apr, 2022
本文提出了一种新的基于双分支协同训练框架的基于冲突的跨视图一致性方法(CCVC),该方法使用特征差距损失鼓励两个子网络从相同的输入学习不同的特征,并使用冲突的伪标签方法来保证模型可以从冲突预测中学习更多有用的信息,从而在半监督语义分割(Semantic Segmentation)任务中取得了最新的最优性能.
Mar, 2023