ECCVMay, 2020

利用半监督学习进行城市场景分割的 Naive-Student 方法

PDF
TL;DR通过在未标注的视频序列和额外图像上使用半监督学习，结合人工标注标签和伪标签数据进行训练，该简单而有效的迭代半监督学习方法在城市街景分割任务上取得了 67.8％的 PQ，42.6％的 AP 和 85.2％的 mIOU 的最优成果，并在核心计算机视觉任务上实现了超越最先进水平的重要进展。
supervised learningsemi-supervised learningurban scene segmentationpseudo-labelsstate-of-the-art results
发现论文，激发创造
  • 主动半监督表示学习的语义分割

    本文提出一种新算法，将半监督和主动学习相结合，通过用少量的有标签数据来训练分割算法。我们通过用自我训练方法替换半监督学习的平均教师方法，以处理带有噪声的标签，进一步增强神经网络的能力来查询有用的数据，从而实现了超越现有半监督方法的性能。在 CamVid 和 CityScapes 数据集上评估我们的方法，仅使用了 12.1% 和 15.1% 的标签数据，分别实现了 95% 以上的准确率。

    Oct, 2022

  • PVUW2024 的半监督视频语义分割：利用不可靠的伪标签

    通过采用基于不可靠伪标签的半监督视频语义分割方法，并使用教师网络模型和学生网络模型进行集成，本文在视频场景解析中取得了较高的 mIoU 分数，并在 CVPR 2024 的 Video Scene Parsing in the Wild Challenge 中获得了第一名。

    Jun, 2024

  • 利用时间性进行半监督视频分割

    本文提出了一种端到端可训练的深度学习模型，利用时间信息来利用易于获取的未标记数据，从而解决了视频分割中标签稀缺的问题。实验结果表明，该模型能够显著优于基线方法和逐帧图像分割。

    Aug, 2019

  • 利用未标记视频对来自未见过的类别的对象进行更好的分割学习

    本文探索使用未标注的视频序列自动生成未知类别对象的训练数据，介绍了一种基于贝叶斯方法的自动创建训练集的方法，并通过实验证明其能够显著提高分割未知类别对象的性能，从而可以利用丰富的互联网视频实现开放世界的实例分割。

    Apr, 2021

  • 自训练方式提升语义分割

    本文提出了一种半监督学习的方法，即自我训练范式，通过用标注数据训练教师模型并在大量未标注数据上生成伪标签，以较少的监督实现像素级准确模型，并在 Cityscapes，CamVid 和 KITTI 数据集上取得了最优表现，同时，在具有挑战性的跨域泛化任务上表现更佳，最后，为了减轻大量伪标签带来的计算负担，提出了一种快速训练计划来加速分割模型的训练。

    Apr, 2020

  • 利用网络爬虫视频的弱监督语义分割

    本文提出一种基于图像级别类别标签的弱监督语义分割算法，利用 Web 存储库中有关目标类别标签的视频检索并从检索到的视频中生成分割标签以模拟语义分割的强监督，该算法明显优于现有的同等监督方法，甚至与依赖额外标注方法的方法一样有竞争力。

    Jan, 2017

  • 利用多模态自监督从零开始标记未标记的视频

    本文提出了一种基于音频和视觉的聚类方法，可以实现对视频数据集的无监督标记。经过广泛的分析，结果聚类与人工标签有很高的语义重叠性。同时，该方法也为 Kinetics，Kinetics-Sound，VGG-Sound 和 AVE 等常见视频数据集的无监督标记带来了首批基准结果。

    Jun, 2020

  • 主动半监督学习的语义分割

    提出了通过结合主动学习和半监督学习来减少标注样本数量的新算法，应用于语义分割任务取得了优异的成果。

    Mar, 2022

  • 未知环境下使用信息路径规划的半监督主动学习用于语义分割

    使用自适应地图规划的半监督主动学习方法，结合高质量的人工标签和自动提取的伪标签，显著降低人工标注的需求，从而在减少人工标注工作量的同时，达到接近全监督方法的分割性能，超过自监督方法。

    Dec, 2023

  • 改善半监督实例分割的 (伪) 标签

    通过引入一种双重策略来增强教师模型的训练过程，从而显著改善少样本学习，同时提出一种校准校正机制，使学生模型能够纠正教师的校准错误。实验结果在 LVIS 数据集上表现出显著的提升，平均精度（AP）提高了 2.8％，稀有类别的 AP 提高了 10.3％。

    Mar, 2024