基于点监督的实例分割

Jun, 2019

Instance Segmentation with Point Supervision

Issam H. Laradji, Negar Rostamzadeh, Pedro O. Pinheiro, David Vazquez, Mark Schmidt

TL;DR该研究提出了一种只需要点级别注释来训练模型实现物体实例分割的方法，其通过建立一个具有两个分支（定位网络和嵌入网络）的网络，使用伪标签和相似嵌入方法来提高分割效果，在特定情况下，可以获得有竞争力的结果，并且是一种实例分割点级别监督的强基准线。

Abstract

instance segmentation methods often require costly per-pixel labels. We propose a method that only requires point-level annotations. During training, the model only has access to a single pixel label per object,

instance segmentation point-level annotations localization network embedding network pseudo-labels

发现论文，激发创造

点级监督实例分割

提出了基于单点标注的弱监督实例分割方法，通过该方法，仅标注每个物体的随机 10 个点就能够达到 94% 至 98% 的全监督效果，比全物体标注的方法快 5 倍，同时提出了一种新的基于点标注的 PointRend 实例分割模型，称为 Implicit PointRend。

Apr, 2021

点级监督的语义分割

本文提出了一种在训练期间可以节省标注成本的方法，该方法通过点级别标注和目标可能性将对象指向强监督引入到 CNN 模型的训练损失函数中，可以明显提高模型的准确性。

Jun, 2015

点级监督的全景分割

本文提出了一种新的弱监督全景分割方法，使用逐点标注替代像全监督方法那样使用像素级标签，通过构建端到端的框架同时从逐点标签生成全景伪掩模进行学习，最小化像素到点间的遍历成本以模拟语义相似性、低级纹理线索及高层流形知识，以实现像素解析。在实验中，本文基于 Pascal VOC 及 MS COCO 数据集证明了此方法的有效性及其领先的性能。

Oct, 2022

利用像素嵌入实现稀疏物体级监督的实例分割

本文提出了一种基于非空间嵌入的无提案分割方法，可处理生物医学图像等难以密集标注的图像，并引入了一种自我监督一致性损失，以解决正 - 无标签训练中的挑战。在不同显微镜模式下的二维和三维分割问题以及城市景观和 CVPPP 实例分割基准上，实现了最先进的结果。

Mar, 2021

基于图像级监督学习的实例分割：口罩在哪里？

本文提出了一种使用图像级别标签进行实例分割的新框架，其中分为两个阶段，分别是训练分类器生成伪掩模并在这些伪掩模上训练完全监督的 Mask R-CNN。在 PASCAL VOC 2012 数据集上进行实验，相对于现有方法说明主要性能提高。

Jul, 2019

使用点监督的弱监督显著物体检测

本文采用点监督的方法提出一种新的弱监督显著性物体检测方法，并使用自适应遮罩洪水填充算法生成伪标签，和基于 Transformer 的模型进行训练，同时提出了一种 Non-Salient Suppression（NSS）方法来针对第一轮训练中生成的错误显著性标签进行优化，并应用于第二次训练中，最终在五个基准数据集上证明该方法优于其他先前的监督学习方法和完全监督的最新模型。

Mar, 2022

使用像素度量学习的快速视频目标分割

该研究致力于解决在给定用户注释指向感兴趣的物体的情况下的视频对象分割问题。作者提出了一种基于学习嵌入空间的像素级检索方法，并使用全卷积网络作为嵌入模型，使用修改后的三元组损失进行训练。作者提出的方法支持不同类型的用户输入，如在第一帧中的分割遮罩（半监督情况下），或者一个稀疏的点击点集合（交互情况下），并在计算成本上获得了很好的结果。在半监督场景中，该方法达到了与现有技术相比竞争性的结果，但计算成本仅为每帧 275 毫秒。在交互式场景中，该方法能够实时响应用户的每个输入，并达到了与竞争方法相当的质量，但交互程度要少得多。

Apr, 2018

Label-PEnet: 弱监督实例分割的序列标签传播与增强网络

本文介绍了一种基于 Weakly-supervised instance segmentation 方法、称为 Label-PEnet 的分割网络，能够从图像级标签逐步转化到像素级标签，主要包含四个模块：多标签分类、目标检测、实例细化和实例分割，并通过 Curriculum Learning 策略将标签从高层次图像逐渐泛化到低层次像素。我们同时设计了一种 Proposal Calibration 模块来验证分类网络找到识别对象部件的关键像素的能力。实验结果表明，相比现有方法，Label-PEnet 性能更好，甚至可以达到全监督方法的水平。

Oct, 2019

SegGroup: 3D 实例和语义分割的分割级别监督

利用物体实例的位置信息，设计一种弱监督点云语义分割算法。通过对超分割后的物体实例进行点击，生成分割级别的标签，并通过分割分组网络将分割级别标签转化为点级别伪标签，从而实现基于分割级别标签的语义分割训练。

Dec, 2020

可转移的半监督语义分割

本文提出一种半监督学习的语义分割模型，该模型可以将从像素级别注释的强类别中学到的分割知识转移到只有图像级别注释的弱类别中，从而显著扩大了深度分割模型在实际应用中的适用范围。该模型由两个互补且可学习的部分组成：标签转移网络（L-Net）和预测转移网络（P-Net）。通过将这两个部分进行整合，可以在 PASCAL VOC 2012 数据集上实现与完全监督基线相近的 96.5％和 89.4％的性能，而只使用 50％和 0％的像素级别注释类别。

Nov, 2017