CVPRMar, 2020

基于草图注释的弱监督显著目标检测

PDF
TL;DR本文提出了一种基于涂鸦标注的弱监督显著物体检测模型，通过辅助边缘检测任务和门控结构感知损失来改进涂鸦标注的边缘定位问题，同时使用基于结构的损失约束恢复结构的范围，并推出了一种衡量预测显著图的结构对齐度的新度量标准 —— 显著性结构度量。大量实验结果表明，该方法不仅优于现有的弱监督 / 无监督方法，而且与一些最先进的完全监督模型持平。
发现论文，激发创造
  • 局部显著性一致的结构一致性弱监督显著物体检测

    本文提出了一种基于草图标注的弱监督显著性物体检测的一轮端到端训练方法，使用局部一致性损失和显著性结构一致性损失来传播标签以预测完整的显著区域，同时使用聚合模块来更好地整合各种信息；该方法在六个基准测试中实现了最新水平表现。

    Dec, 2020

  • 基于涂鸦标注的弱监督伪装目标检测

    本文提出了一种基于 scribble annotations 的弱监督 camouflaged object detection 方法，通过构建包括一致性损失和特征引导损失的模型以及引入两个新模块（LCC 模块和 LSR 模块），实现了结构信息和语义关系的学习和利用，并在三个检测基准上的表现均优于其他当前流行方法。

    Jul, 2022

  • 弱监督视频显著目标检测

    本文提出了基于新型弱标注的视频显著目标检测模型，并使用外观运动融合模块和双向 ConvLSTM 框架来实现有效的多模态学习和长期时序建模，还设计了一种前景背景相似度损失和一种弱标注增强策略，以提高模型性能和伪标签生成技术。在六个基准视频显著性检测数据集上的实验结果证明了我们方案的有效性。

    Apr, 2021

  • 基于内部结构约束的涂鸦辅助遥感图像目标提取方法

    本研究提出一种基于线条注释的弱监督学习方法，在不引入辅助模块或依赖预先消息的情况下，通过两个内部结构约束和一个 scribble 约束来完善编码器 - 解码器网络的优化，从而实现遥感图像目标提取的定位和边界描述，实验证明其在此领域优于其他五种最先进的算法。

    May, 2023

  • ScribbleSup: 用草图监督的卷积网络进行语义分割

    利用涂鸦标注图片并开发了一种算法，将涂鸦作为监督信息来训练卷积网络的语义分割，并在 PASCAL VOC 数据集上获得较好结果。

    Apr, 2016

  • 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

  • 尴尬地简单的涂鸦监督用于 3D 医学分割

    传统上，分割算法需要密集注释进行训练，特别是在 3D 医学图像领域，这需要大量的注释工作。我们提出了一个全面的涂鸦监督基准，包括七个使用不同的模态成像的解剖和病理学的数据集。利用部分损失，我们的方法能够在现有的分割方法中融入涂鸦标注，保持原始的损失公式，从而实现了当前最先进性能的一致表现。

    Mar, 2024

  • 利用图像标签进行弱监督显著目标检测

    本篇论文提出采用无监督学习方法生成的显著图用于像素级注释，在此基础上采用简单而有效的算法训练卷积神经网络，使用图形模型和完全卷积网络为模型更新修复标签歧义和更新粗糙激活地图，结果表明，该算法与目前最佳的强监管方法相当，性能明显优于所有最新的无监督显著性检测方法。

    Mar, 2018

  • 涂鸦掩盖类别：通过类别标签促进基于涂鸦的弱监督语义分割

    用稀疏涂鸦监督的涂鸦增强方法进行基于弱监督语义分割，结合全局语义、类别信息和插值矫正，以及距离熵损失进行不确定性降低，实验证明该方法优于以往方法。

    Feb, 2024

  • Scribble2D5: 通过涂鸦注释进行弱监督体积图像分割

    本文提出了一种基于草图的体积图像分割方法 Scribble2D5，在 2.5D UNet 中增加了标签传播模块，通过组合静态和主动边界预测来学习感兴趣区域的边界并规范其形状，从而改善了弱标注图像分割的结果。在三个公共数据集上的实验表明，Scribble2D5 显著优于当前的基于草图的方法，并接近完全监督方法的性能。

    May, 2022