本研究提出了一种使用正则化损失函数来弱监督地提高语义分割的准确性的方法,最终达到近似全监督的质量。
Mar, 2018
本研究提出了一种基于 normalized cut 的 loss function 的语义分割方法,相比于传统的弱监督学习方法可以显著提高训练质量。
Apr, 2018
本文提出一种基于不等式约束的 CNN 弱监督分割方法,通过引入可微分约束惩罚项,使训练过程中的非标注数据指导网络的学习,经实验证明该方法相比于先前研究的 Lagrangian 方法能够更加优化,并降低了训练过程的计算复杂度。
May, 2018
在语义分割方面仅使用图像标签的弱监督方法在像素级注释方面费时昂贵。本文提出了一种不使用外部物体模块的新方法,使用卷积层的激活并通过稠密 CRF 平滑来从预训练网络本身中提取标记,以实现更精确地语义分割。此外,我们介绍了一种新的廉价的弱监督方法,可提高分类效果。
Sep, 2016
我们提出了一个名为约束卷积神经网络的方法,它使用一种新的损失函数来优化 CNN 模型输出空间上任何一组线性约束条件,并且通过大量实验得出该方法在弱监督语义图像分割任务中表现出卓越的效果。
Jun, 2015
本文提出了一种基于图像级别信息的全新弱监督语义分割方法,该方法不需要使用复杂的伪标签生成过程,而是利用图像分类信息产生可靠的像素级别的注释,然后使用全新的稠密能量损失函数和端到端网络进行图像分割。通过拓展基于图像分类信息产生的像素级别注释的的一步法到两步法模型,我们在 Pascal VOC 数据集上达到了最新的最高水平性能。
Nov, 2019
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
该研究论文结合深度卷积神经网络和概率图模型的方法来解决像素级分类(语义图像分割)任务中深层网络往往无法精确定位目标分割的问题,并通过将深层网络的响应与全连接条件随机场相结合,提出了一种 DeepLab 系统。定量实验表明,该方法在 PASCAL VOC-2012 语义图像分割任务中,IOU 精度可达 71.6%。
Dec, 2014
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。
本研究基于半监督度量学习方法,提出了四种对应关系来捕捉低 - level 图像相似性、语义标注、共现和特征亲和力。这些节点可以从任何部分注释的训练图像中以数据驱动的方式进行学习,因此,该模型不仅适用于弱监督分割中标记的像素,还适用于未标记的像素。
May, 2021