随机语义分割的校准对抗修正

ICCVJun, 2020

Calibrated Adversarial Refinement for Stochastic Semantic Segmentation

Elias Kassapis, Georgi Dikov, Deepak K. Gupta, Cedric Nugteren

TL;DR该研究提出了一种通过使用概率网络来学习预测分布，以实现语义地图上的校准预测分布的策略，并使用对抗性训练来精炼输出，并在多分类 LIDC 数据集和注入模糊性的 Cityscapes 数据集上取得最先进结果。

Abstract

In semantic segmentation tasks, input images can often have more than one plausible interpretation, thus allowing for multiple valid labels. To capture such ambiguities, recent work has explored the use of probabilistic

semantic segmentation probabilistic networks calibrated predictive distribution adversarial refinement state-of-the-art results

发现论文，激发创造

半监督语义分割的对抗学习

本研究提出了一种采用对抗网络的半监督语义分割方法，通过设计全卷积判别器，辅以标准交叉熵损失，实现对未标记图像的信任区域的发现，提高了分割准确性。在 PASCAL VOC 2012 和 Cityscapes 数据集上的实验证明了该算法的有效性。

Feb, 2018

使用对抗网络进行语义分割

本文提出一种对语义分割模型进行对抗训练的方法，通过训练一个卷积语义分割网络和一个对抗网络，可以检测和纠正真实分割地图与分割网络产生的高阶不一致性，实验结果表明，我们的对抗训练方法可以在 Stanford Background 和 PASCAL VOC 2012 数据集上提高准确性。

Nov, 2016

标准化标签分布：实现学习校准、适应性和高效激活图

本文研究了分类网络在面对数据异常和对抗攻击时准确性和可校准概率分布的平衡，在探讨标签平滑正则化和标准化方法对数据泛化性和校准概率分布的影响时提出了正则化软标签的方法，将传统卷积转化为基于填充的局部卷积，以加强性能和收敛速率。

Dec, 2020

基于概率的深度学习实例分割

本文提出了一种泛用方法来获得无需提议的实例分割模型内在的不确定性估计，并且评估了在 BBBC010 C. elegans 数据集上的可行性和有效性，并模拟了这些不确定性估计在指导的校对中的潜在用途。

Aug, 2020

语义分割模型的校准：分析与算法

研究了语义分割校准的问题，提出了一种简单而有效的选择性缩放方法来校准模型，实验结果表明其在多个基准测试中具有卓越的性能。

Dec, 2022

学习适应语义分割的结构化输出空间

本文提出了一种基于对抗学习的语义分割领域适应方法，该方法采用输出空间的对抗学习，并构建了多层对抗网络来有效地执行不同特征层面的输出空间域适应。在各种域适应设置下进行了大量实验和消融研究，并展示出该方法在准确性和视觉质量方面表现优越。

Feb, 2018

我敢打赌你错了：用对抗网络进行结构化语义分割

本文提出在语义分割中重新思考对抗训练，用正确性 / 错误性训练目标替代了预测结果的真 / 假鉴别模型，使用 ' 赌徒 ' 神经网络去发现和分配错误预测的区域，以重现表达不确定性和提高像素级和结构级测量指标。

Aug, 2019

用于改进对语义分割的对抗攻击的不确定性加权损失函数

本文介绍了一种基于不确定性加权方案的损失函数，用于对抗攻击，通过将更容易受到干扰的像素分类放大并清零已经被错误分类的像素的损失，以提高扰动性能。在多个数据集和模型的实证分析中，我们证明了这些加权方案能够显著改善扰动性能。

Oct, 2023

基于不确定性的语义分割对抗攻击检测

本研究提出基于不确定性的语义分割对抗攻击检测方法，不需修改模型或了解对抗样本生成过程，通过熵等指标区分干净和攻击图片，在多种对抗攻击类型下检测效果良好。

May, 2023

ADVENT: 基于对抗性熵最小化的语义分割领域自适应

本文提出了两种基于像素预测熵的损失函数的方法来解决语义分割中的无监督域适应问题，分别采用熵损失和对抗性损失。在两个具有挑战性的 “synthetic-2-real” 场景下，我们证明了该方法在语义分割方面具有最先进的性能，并且该方法也可以用于检测。

Nov, 2018