通过学习注释一致的实例来进行弱监督实例分割
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
这篇论文提出了一种弱监督的模型,能够同时执行语义分割和实例分割任务,并使用图像级别标签弱监督 “stuff” 类别的分割,以及使用边界框弱监督 “thing” 类别的分割。通过分析注释质量和预测性能之间的关系,可以对数据集的创建有所启示。
Aug, 2018
本文研究了半监督分割方法,与之前的方法相比,本文的方法在标注预算方面有了重大突破,在使用低标注预算时,我们的方法在语义与实例分割方面表现优于弱监督方法,并在较小的标注成本下优于以往的半监督方法。同时,我们通过考虑总的标注预算,将弱监督和半监督方法结合在一起,从而更公正地比较各种方法。我们在 Pascal VOC 基准测试上展示了结果。
May, 2019
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
本研究基于半监督度量学习方法,提出了四种对应关系来捕捉低 - level 图像相似性、语义标注、共现和特征亲和力。这些节点可以从任何部分注释的训练图像中以数据驱动的方式进行学习,因此,该模型不仅适用于弱监督分割中标记的像素,还适用于未标记的像素。
May, 2021
本文提出了一种新颖的方法,使用图像级别的类标签作为监督来学习实例分割。我们的方法生成训练图像的伪实例分割标签,并用于训练完全监督模型。通过 IRNet,我们首先从图像分类模型的 attention maps 中识别出与对象类别相关的种子区域,然后传播到整个实例区域,估计出准确的边界,并为种子分配实例标签,使得整个实例区域可以准确地估计。IRNet 是基于 attention maps 的像素间关系训练的,因此不需要额外的监督。在 PASCAL VOC 2012 数据集上,我们的方法与 IRNet 取得了出色的表现,不仅超过了之前使用相同级别监督训练的最先进模型,还超过了一些依赖于更强监督的先前模型。
Apr, 2019
本文提出了一种新型的端到端弱监督检测方法,将引入的生成对抗分割模块与传统检测模块相互作用,充分利用弱监督定位任务的互补解释,即检测与分割任务,形成更全面的解决方案,从而获得更精确的对象边界框。
Apr, 2019
提出了基于单点标注的弱监督实例分割方法,通过该方法,仅标注每个物体的随机 10 个点就能够达到 94% 至 98% 的全监督效果,比全物体标注的方法快 5 倍,同时提出了一种新的基于点标注的 PointRend 实例分割模型,称为 Implicit PointRend。
Apr, 2021
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