Jul, 2020

通过学习注释一致的实例来进行弱监督实例分割

HTML
PDF
TL;DR提出了一种基于弱监督的实例分割方法，使用条件分布来建模伪标签生成过程中的不确定性，通过联合概率学习目标来最小化两个分布之间的差异，实现了在 PASCAL VOC 2012 数据集上优于最优基线 4.2％ [email protected] 和 4.8％ [email protected] 的最新效果。
发现论文，激发创造
  • 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

  • 预算感知半监督语义与实例分割

    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

  • 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

  • 基于偏差伪标签的半监督语义分割重分布：基线调查

    本文提出了一种分布对齐与随机采样方法(DARS), 用于生产能够匹配标记数据的真实分类分布的无偏伪标签，同时也提出了一种渐进式数据增强和标签策略，以促进使用伪标签训练模型。实验结果表明，该方法在Cityscapes和PASCAL VOC 2012数据集上的表现优于现有的前沿方法。

    Jul, 2021

  • 从语义到实例分割：通过语义知识转移和自我优化进行弱监督实例分割

    本文提出一种创新的方法来解决弱监督实例分割任务中的实例定位难题，并使用自我训练方案来改进伪标注，消除语义漂移问题。通过在 PASCAL VOC 2012 和 MS COCO 上广泛实验，证明了该方法的有效性，无需使用与实例或对象有关的预先训练技术。

    Sep, 2021

  • 利用不可靠的伪标签进行半监督语义分割

    本研究提出了一种通过利用熵值对可靠像素和不可靠像素进行分类，再进一步将不可靠像素分配为负样本，从而对无标签数据进行半监督语义分割的有效策略

    Mar, 2022

  • 使用不可靠的伪标签进行标签高效语义分割

    本研究提出了一种有效的方法，通过对预测结果进行熵值分析并利用不可靠像素生成负样本键从而在语义分割中充分利用未标记数据。

    Jun, 2023

  • 极点监督实例分割

    本论文介绍了一种使用极值点（即每个对象的最上面、最左边、最下面和最右边的点）进行实例分割学习的新方法。通过将极值点视为真实实例掩码的一部分并将其传播以识别潜在的前景和背景点，然后将其用于训练伪标签生成器，再利用生成器提供的伪标签进行最终模型的监督学习，我们的方法在三个公共基准上明显优于现有的基于边界框监督方法，进一步缩小与完全监督对照组之间的差距。特别是在目标对象分隔成多个部分的情况下，我们的模型生成高质量的掩码，而之前的基于边界框监督方法经常失败。

    May, 2024

  • 实例分割中标签噪声的基准测试：空间噪声的重要性

    通过模拟不同噪声条件，对不同分割任务中实例分割模型的鲁棒性和泛化能力进行了评估，引入了COCO-N和Cityscapes-N作为强注释噪声的实验场景。同时，提出了利用基础模型和弱标注来模拟半自动标注工具和其噪声标签的COCO-WAN基准，以研究各种模型生成的分割掩膜的质量，并质疑了常用的处理标签噪声学习的方法的有效性。

    Jun, 2024

  • 半监督三维实例分割的实例一致性正则化

    提出了一种新的自我训练网络InsTeacher3D，用于从无标签数据中探索和利用纯实例知识，通过实例一致性正则化实现半监督的3D实例分割，结果显示InsTeacher3D明显优于先前最先进的半监督方法。

    Jun, 2024