半监督语义分割的结构一致性损失
提出一种新型半监督语义分割方法,结合像素级 L2 损失和像素对比损失以实现两个分割模型规则:图像增强之间的标签空间一致性性质和不同像素之间的特征空间对比性质,采用 DeepLab-v3+ 结构和多个数据集进行了广泛的实验,表现出最先进的性能。
Aug, 2021
本文提出了一种新型的基于交叉一致性的半监督语义分割方法,其中共享编码器和主解码器进行有监督训练,利用无标签数据来提高编码器的表示,该方法简单易懂,并且在多个数据集上实现了最先进的结果。
Mar, 2020
本研究提出了一种半监督语义分割方法,通过维护不同场景下相同特征的一致性,设计了方向反转损失函数并使用了两种样本筛选策略,该方法在图像级注释下有效地提高了半监督语义分割的性能。
Jun, 2021
本文提出了基于区域级别对比和一致性学习框架 (RC^2L) 的半监督语义分割方法,通过引入区域级别损失,包括 Region Mask Contrastive (RMC) 损失、Region Feature Contrastive (RFC) 损失、Region Class Consistency (RCC) 损失和 Semantic Mask Consistency (SMC) 损失,实现了更好的稳定性和性能。在 PASCAL VOC 2012 和 Cityscapes 数据集上的实验结果表明,所提出的方法优于现有最先进方法。
Apr, 2022
本文提出了 SCP-Net 方法,利用多个输入源提高一致性学习中预测的多样性,结合半监督方法和自我感知一致性学习方法,提高伪标签的紧致性和可靠性。实验表明,SCP-Net 可以优于其他半监督分割方法,相比于有限的有监督训练,可以显著提高性能。
May, 2023
在分析语义分割问题时,我们发现其分布没有展现出低密度区域,并将其作为解释半监督分割为何是具有挑战性的问题的原因,然后找到增强选择作为获得可靠性性能的关键,并发现这些改进后的 CutOut 和 CutMix 增强技术在标准数据集中提供了最先进的半监督语义分割结果。
Jun, 2019
文章提出了一种利用一些有限的像素注释数据和一些无标签数据进行半监督语义分割的方法,并在 PASCAL VOC 2012,PASCAL-Context,和 Cityscapes 数据集上实现了最新的半监督学习的最佳性能。
Aug, 2019
提出了一种自监督学习方法,适用于对象检测和语义分割等半全局任务,通过在训练期间最小化像素级的本地对比损失(LC-loss),在自学习特征中强制实现对变换后的同一图像的相应图像位置之间的本地一致性,可将 LC-loss 添加到现有的自监督学习方法中,并在 COCO、PASCAL VOC 和 CityScapes 数据集上评估 SSL 方法,结果比现有的先进自监督学习方法在 COCO 对象检测、PASCAL VOC 检测和 CityScapes 分割等任务上分别提高了 1.9%,1.4%和 0.6%。
Jul, 2022
本文中,我们提出了一种新的一致性正规化方法,名为交叉伪监督(CPS),通过探索有标签数据和额外的未标记数据来研究半监督语义分割问题。在城市风景和 PASCAL VOC 2012 上,我们的方法实现了半监督分割性能的最新水平。
Jun, 2021