Oct, 2019

Label-PEnet: 弱监督实例分割的序列标签传播与增强网络

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。
weakly-supervised instance segmentationsequential label propagation and enhancement networksmulti-label classificationinstance refinementproposal calibration
发现论文，激发创造
  • 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

  • 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

  • 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

  • 路径聚合网络用于实例分割

    本文提出 Path Aggregation Network（PANet）来提高神经网络中信息传递的效率，主要集中于基于提案的实例分割框架。具体来说，通过底层路径增强和自适应特征池化等方法来提高信息的传递效率，并建立了一个补充分支，以有效提高 Mask 预测的准确性。我们的方法在多个数据集上达到了最佳表现，具有简单易实现以及较小的计算复杂度。

    Mar, 2018

  • 弱监督级联卷积网络

    本研究提出了基于级联卷积神经网络的两种体系结构，旨在解决在没有昂贵人工注释下进行的弱监督下的目标检测问题，第一阶段从全卷积神经网络中提取类特定区域提议的最佳候选项，在三阶段体系结构中，中间阶段通过第一阶段的激活映射来提供物体分割。这些体系结构在弱监督目标检测，分类和定位领域的实验中表现出了改进。

    Nov, 2016

  • 面向精确的端到端弱监督物体检测网络

    本论文提出一种通过端到端的方式联合训练多阶段模型来解决弱监督目标检测网络中的对象位置精确预测问题的方法，该方法引入了多例学习、包围框回归和分类损失引导的注意力模块等多种算法，实验结果表明该方法能够达到最佳的性能表现。

    Nov, 2019

  • 利用先验网络知识学习弱监督语义分割

    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。

    Apr, 2018

  • 基于误差定位网络的半监督语义分割

    本文提出了一种基于误差定位网络来解决伪标签问题的半监督语义分割方法，该方法有效地消除了训练过程中因使用伪标签带来的性能下降风险，并实现了对不精确伪标签的鲁棒性，同时具有自训练和对比学习的天然集成能力。与现有方法相比，在 PASCAL VOC 2012 和 Cityscapes 数据集上，该方法在所有评估指标中均表现出了卓越的性能。

    Apr, 2022

  • 半监督自修正语义图像分割网络

    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

  • ProNet：学习为级联神经网络提出特定物体边界框

    本文提出了一个名为 ProNet 的基于神经网络的结构，利用图像级注释来高效地实现物体的分类和定位，并在 PASCAL VOC 2012 以及 MS COCO 数据集上进行了实验，超出了之前最先进的技术。

    Nov, 2015