Oct, 2019

Label-PEnet:弱监督实例分割的序列标签传播与增强网络

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 迭代实例分割

    通过将结构化预测降低到一系列无约束的预测问题，本文演示了该方法能够自动从数据中发现形状，区域预测的连续性和区域轮廓的平滑性的先验知识，从而在实例分割任务上优于最先进的技术。

    Nov, 2015

  • 使用深度密集连接MRF的自动驾驶实例级分割

    本文研究面向自动驾驶场景的单目图像像素级实例标注问题，使用卷积神经网络和密集连接马尔可夫随机场模型结合的方式，提出了一种全局实例标注方法，并在KITTI基准数据集上取得了显著的性能提升。

    Dec, 2015

  • 像素级编码和深度分层用于实例级语义标注

    本文进行了实例感知语义分割的研究，提出了一种利用全卷积网络的方法预测语义标签、深度和基于实例的编码，并通过低层次计算机视觉技术在KITTI和Cityscapes街景数据集上生成最先进的实例分割，该方法在性能上超过了现有的工作，并可以额外预测单个实例与单眼图像的绝对距离以及像素级语义标签。

    Apr, 2016

  • 动态实例化网络的像素级实例分割

    该论文提出了一种基于语义分割的实例分割系统，利用CRF预测具有对象类和实例标签的分割地图，从而提高难度较大的像素级别分割精度，使像素不能属于多个实例，并在Pascal VOC和Cityscapes数据集上取得最新颖的结果。

    Apr, 2017

  • 利用像素间关系进行实例分割的弱监督学习

    本文提出了一种新颖的方法，使用图像级别的类标签作为监督来学习实例分割。我们的方法生成训练图像的伪实例分割标签，并用于训练完全监督模型。通过IRNet，我们首先从图像分类模型的attention maps中识别出与对象类别相关的种子区域，然后传播到整个实例区域，估计出准确的边界，并为种子分配实例标签，使得整个实例区域可以准确地估计。IRNet是基于attention maps的像素间关系训练的，因此不需要额外的监督。在PASCAL VOC 2012数据集上，我们的方法与IRNet取得了出色的表现，不仅超过了之前使用相同级别监督训练的最先进模型，还超过了一些依赖于更强监督的先前模型。

    Apr, 2019

  • 基于点监督的实例分割

    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。

    Jun, 2019

  • 深度变分实例分割

    本文提出了一种利用全卷积神经网络直接预测实例标签的方法，并将分割问题作为最小化优化函数的变分松弛问题来处理，并扩展了经典的Mumford-Shah变分分割问题以处理实例分割中的置换不变标签，实验证明此方法能有效地解决实例分割任务。

    Jul, 2020

  • BoxInst：基于Box Annotations的高性能实例分割

    本文提出了一种基于网格框标注的高性能方法，实现了面部实例分割，通过重新设计学习实例分割中的掩码损失函数，优化了训练过程，并在COCO数据集上实现了优秀的实验结果。

    Dec, 2020

  • 重新标记ImageNet：从单标签到多标签，从全局标签到本地标签

    本文中，我们重新给ImageNet数据集打上多标签，并显示了使用有限多标签进行训练的图像分类模型的性能提升。

    Jan, 2021

  • 半监督实例分割的引导蒸馏

    通过引入新颖的“引导燃烧”阶段的教师-学生蒸馏模型以及评估不同的实例分割架构、骨干网络和预训练策略，我们改进了蒸馏方法，并利用未标记数据在引导燃烧阶段中进行了指导，从而显著提高了先前最先进的结果。

    Aug, 2023