ICCVAug, 2019

细粒度分割网络：自监督分割以提高长期视觉定位

PDF
TL;DR本文研究长期视觉定位问题，提出了 Fine-Grained Segmentation Network（FGSN）用于提供更多标签的图像分割，并能自我学习以应对季节性变化，实验证明将 FGSN 的细粒度分割整合到现有的定位算法中可显著提高定位精度。
long-term visual localizationsemantic segmentationfine-grained segmentation networkself-supervised trainingscene changes
发现论文，激发创造
  • 使用语义分割图像进行长期视觉定位

    在自动驾驶车辆的长期视觉导航中，利用图像的语义分割和 3D 点云制作具有语义标签的地图，通过粒子滤波来实现车辆定位，从而在大多数时候实现低于 1 米的定位误差。

    Jan, 2018

  • 通过自监督姿态对齐进行细粒度物体分类

    提出了一种基于图形的对象表示来消除姿态变化，实现自我监督的姿态对齐，同时还结合粗到细的监督和浅到深的子网络的提议的姿态不敏感限制，以逐步学习的方式鼓励网络产生区分性特征，已成功应用于三项流行的细粒度物体分类基准中，达到了最先进水平。

    Mar, 2022

  • 自监督少样本语义分割：一种无需标注的方法

    借鉴谱分解方法，将图像分解问题视为图划分任务，并通过特征亲和力矩阵的拉普拉斯矩阵的特征向量分析来估计感兴趣对象的分布；提出一种新颖的自监督式 FSS 框架，不依赖于任何标注，并通过利用从支持图像获得的特征向量自适应地估计查询掩码，从而消除了手动注释的需求，特别适用于具有有限标注数据的医学图像；引入了多尺度大卷积核注意力模块，进一步提高了对支持图像提供的信息进行查询图像解码的能力，通过选择性地强调相关特征和细节，改善了分割过程并有助于更好的物体勾边；在自然和医学图像数据集上的评估结果展示了我们方法的高效性和有效性。

    Jul, 2023

  • TransFGU: 一种自上而下的 Fine-Grained 非监督语义分割方法

    该篇论文提出了首个自上而下的无监督语义分割框架，利用自监督学习方式从大规模视觉数据中获得高级别结构化语义概念信息，使用此信息作为先验，利用计算出的类激活图（CAM）将发现的高级别语义类别映射到低级别像素特征中，最后用获得的 CAM 作为伪标签训练分割模块并生成最终的语义分割，并在多个语义分割基准上进行实验，证明其优于当前所有最先进的自下而上方法。

    Dec, 2021

  • 语义感知细粒度对应

    本文提出了一种语义感知的细粒度对应方法，该方法融合了基于图像和基于像素的自监督学习方法来提高任务的性能，在视频对象分割、人体姿态跟踪和人体部分跟踪等视觉对应任务上超过了以往基于卷积神经网络的最新自监督方法。

    Jul, 2022

  • 完全自监督学习用于语义分割

    我们提出了一个基于自我监督的完全自我监督语义分割框架，其中包括金字塔全局引导培训策略和上下文感知嵌入模块等组成部分，显著改善了 COCO-Stuff 数据集上物品和物品分类的性能。

    Feb, 2022

  • 无监督视觉 grounding 的学习：通过语义自监督

    本文提出了一种新型的无监督视觉基础框架，使用概念学习作为代理任务来获得自我监督，以鼓励模型定位和解释语义属性，在多项实验中，该方法在图像本体库、ReferItGame 数据集上分别提升了 5.6% 和 5.8%，在 Flickr30k 数据集上达到了与最先进的表现相媲美的水平。

    Mar, 2018

  • 面向弱监督时空语言联系的细粒度语义对齐网络

    本篇论文提出了一种新的候选不受限制的方法 ——Fine-grained Semantic Alignment Network（FSAN），用于弱监督的 Temporal Language Grounding 任务，在两个广泛使用的基准测试中取得了最先进的性能。

    Oct, 2022

  • SFGANS 自监督的人体动作分割未来生成器

    通过自我监督方法生成原始特征向量的改进表示，提高了现有模型在行动分割的不同子任务上的性能。

    Dec, 2023

  • 探索框架分割网络用于时间行为定位

    本研究提出了一种基于帧分割网络（FSN）的方法，通过在 2D 空间 CNN 上放置时间 CNN，利用时空上下文信息通过帧级密集预测，实现对视频剪辑的精确定位，该方法可在弱监督场景下使用，实现了优越的帧级动作定位和时间上的动作定位。

    Feb, 2019