CVPRJun, 2020

NoPeopleAllowed: 弱监督语义分割的三步方法

PDF
TL;DR该研究提出了一种新颖的弱监督语义分割方法，通过从图像级别注释数据中提取高质量的伪掩膜，再在第三步上使用这些掩膜训练分割模型，解决了类别不平衡和缺失标签等问题。该方法仅使用图像级别注释作为监督，能够对各种类别和复杂对象进行分割，取得了 37.34 的均值 IoU，在 LID Challenge 的弱监督语义分割任务中名列第三。
weakly supervised semantic segmentationpseudo masksclass imbalancemissing labelslid challenge
发现论文，激发创造
  • 半监督语义分割的三阶段自我训练框架

    该研究提出了一种分阶段的自我训练框架，使用伪掩模的统计信息来降低预测概率的不确定性以及通过多任务模型在一定程度上强制执行分割一致性，从而实现半监督语义分割的性能并表现出与现有方法相当。

    Dec, 2020

  • 图像标签的单阶段语义分割

    本文探讨了使用弱监督方法进行语义分割的可行性，提出了一种基于单阶段自我监督学习的网络模型，使用图像级注释训练语义掩码取得了与复杂流水线相竞争的结果，优于早期的单阶段方法。

    May, 2020

  • 可靠性至关重要：一种端到端的弱监督语义分割方法

    本文提出了一种基于图像级别信息的全新弱监督语义分割方法，该方法不需要使用复杂的伪标签生成过程，而是利用图像分类信息产生可靠的像素级别的注释，然后使用全新的稠密能量损失函数和端到端网络进行图像分割。通过拓展基于图像分类信息产生的像素级别注释的的一步法到两步法模型，我们在 Pascal VOC 数据集上达到了最新的最高水平性能。

    Nov, 2019

  • 基于图像级监督学习的实例分割：口罩在哪里？

    本文提出了一种使用图像级别标签进行实例分割的新框架，其中分为两个阶段，分别是训练分类器生成伪掩模并在这些伪掩模上训练完全监督的 Mask R-CNN。在 PASCAL VOC 2012 数据集上进行实验，相对于现有方法说明主要性能提高。

    Jul, 2019

  • 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

  • 简单有效：弱监督实例和语义分割

    本文提出了一种无需修改分割训练过程的弱监督训练方法，通过精心设计给定边界框的输入标签，经过单一训练循环即可达到先前算法的弱监督结果并能够抵达完全监督模型的约 95% 的语义标注和实例分割质量。

    Mar, 2016

  • 基于图像级标签的弱监督语义分割：从传统模型到基础模型

    基于图像级标签的弱监督语义分割是有效的避免昂贵标注的解决方案。本文首先对传统方法进行全面调研，然后研究了在弱监督语义分割中视觉基础模型（如 SAM）的适用性和挑战，为该研究领域的未来发展提供了深入的见解。

    Oct, 2023

  • 基于网络图像共分割的弱监督语义分割

    该研究提出了一种使用网络图像和图像级标签进行弱监督下的全卷积网络语义分割的方法，其利用大规模的共同分割框架从网络图像中生成标签，获得了 56.9 的交并比，在语义分割方案中取得了最新的性能。

    May, 2017

  • 弱监督语义分割的因果干预

    本文提出了一种因果推断框架，结合结构因果模型和上下文调整方法以纠正语义分割中的误导性上下文因素，使用图像级标签生成更好的像素级伪掩模，并将其用作后续分割模型的更好伪造地面实况。

    Sep, 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