Apr, 2020

弱监督分割的边界框：全局约束逐渐接近完全监督

PDF
TL;DR本文提出了一种基于全局约束的弱监督学习分割方法，通过引入严格的拘束和强大的拓扑先验，使得网络输出被限制在一个更准确的区域内，实验结果表明该方法在前列腺和脑病变等应用场景下具有很高的准确性。
weakly supervised learningsegmentationdeep tightness priorglobal constraintsprostate and brain lesions
发现论文，激发创造
  • 基于约束 CNN 的弱监督分割损失函数

    本文提出一种基于不等式约束的 CNN 弱监督分割方法，通过引入可微分约束惩罚项，使训练过程中的非标注数据指导网络的学习，经实验证明该方法相比于先前研究的 Lagrangian 方法能够更加优化，并降低了训练过程的计算复杂度。

    May, 2018

  • BoxSup: 利用边界框监督卷积神经网络进行语义分割

    本文提出了一种名为 BoxSup 的方法，通过利用 bounding box annotations 代替 human-annotated, pixel-level segmentation masks 来训练卷积网络，循环生成 region proposals 和训练卷积网络来恢复分割掩模和提高网络的准确性。这个方法在 PASCAL VOC 2012 和 PASCAL-CONTEXT 上取得了 state-of-the-art 的结果。

    Mar, 2015

  • 基于约束的卷积神经网络弱监督分割

    我们提出了一个名为约束卷积神经网络的方法，它使用一种新的损失函数来优化 CNN 模型输出空间上任何一组线性约束条件，并且通过大量实验得出该方法在弱监督语义图像分割任务中表现出卓越的效果。

    Jun, 2015

  • 每个注释都很重要：医学图像分割的多标签深度监督

    本文提出了一种半弱监督分割算法，基于新的深度监督学习方法和学生 - 教师模型，结合各种监督信号以实现易于集成，有效地减少了昂贵标注的要求。经过实验验证，该算法在视网膜液体分割上取得了成功。

    Apr, 2021

  • 深度边缘：分割和深度之间的显式约束

    本研究探讨了计算机视觉中两个常见任务，即自监督深度估计和图像语义分割的相互效益。作者提出通过测量图像分割和深度之间的边界一致性并通过贪婪法迭代监督网络来最小化这种一致性，并通过实验表明，解决了 KITTI 中无监督单眼深度估计问题的状态 - of-art 得到了提高。

    Apr, 2020

  • LooseCut: 带松散边界框的交互式图像分割

    本文提出了一种名为 LooseCut 的新算法，采用 Markov Random Fields 模型，可以处理输入包含前景目标的边界框不太紧的情况，并通过迭代最大流算法解决该模型。LooseCut 可用于增强无监督视频分割和图像显着性检测性能，并在三个公开的图像数据集中表现良好。

    Jul, 2015

  • 种子、扩展和限制：弱监督图像分割的三个原则

    介绍了一种基于三个指导原则的新型损失函数，用于弱监督训练语义图像分割模型，通过实验证明使用所提出的损失函数训练深度卷积神经网络会比之前最先进的方法在具有挑战性的 PASCAL VOC 2012 数据集上获得更好的分割结果，并通过详细的实验研究给出了我们方法的工作机制。

    Mar, 2016

  • 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

  • 弱监督的物体边界

    本文提出了一项弱监督技术用于生成边界检测的标注，仅使用边界框的标注数据即可在目标边界检测任务中达到高性能。该方法在边界检测任务上表现优于当前最先进的完全监督方法。

    Nov, 2015

  • 具有对抗约束的弱监督 3D 重建

    本文研究使用前景掩码作为弱监督，通过光线追踪池化层实现透视投影和反向传播的三维重建，同时限制重建到未标记的能匹配覆盖面的真实三维形状。通过该方法可以使用 GAN 训练现有工具。我们通过各种数据集进行单视角和多视角重建的实验和分析表明，我们约束重建的方法在合成和真实图像的重建中均有成效。

    May, 2017