弱监督显著实例检测
本篇论文介绍了如何通过使用深度卷积神经网络,建立图像中的显著性实例分割方法,通过一个多尺度显著实例分割网络生成高质量的显著性分割结果,并在公共基准测试中取得了最优的结果。
Apr, 2017
本研究旨在使用 holistic cues 预测图像中显著对象的存在和数量,并提出了一个包含约 14K 个图像的显著目标数目预测数据集,并使用在线众包市场进行注释。使用端到端训练的卷积神经网络(CNN)模型,对于仅包含零个或一个显著对象的图像,我们实现了与人类性能相当的预测准确性。对于多个显著对象的图像,我们的模型也无需任何本地化过程即可提供显著优于随机的性能,此外,我们还提出了一种通过利用合成图像来改善 CNN 数目预测模型训练的方法。我们实验证明了 CNN 数目预测模型的准确性和通用性,并将其应用于显著目标检测和图像检索中。
Jul, 2016
本文主要研究弱监督物体检测(WSOD)中缺乏位置监督的问题,并将显著性集成到深度网络中,对高置信对象提出类别特定的显著性,这些特定的位置信息、语义信息和显著信息来显式监督网络,并通过预测网络隐式地指导本地化过程,实现了端到端的训练,实验结果表明,我们的方法优于所有最先进的方法。
Jun, 2017
本文采用点监督的方法提出一种新的弱监督显著性物体检测方法,并使用自适应遮罩洪水填充算法生成伪标签,和基于 Transformer 的模型进行训练,同时提出了一种 Non-Salient Suppression(NSS)方法来针对第一轮训练中生成的错误显著性标签进行优化,并应用于第二次训练中,最终在五个基准数据集上证明该方法优于其他先前的监督学习方法和完全监督的最新模型。
Mar, 2022
本篇论文提出采用无监督学习方法生成的显著图用于像素级注释,在此基础上采用简单而有效的算法训练卷积神经网络,使用图形模型和完全卷积网络为模型更新修复标签歧义和更新粗糙激活地图,结果表明,该算法与目前最佳的强监管方法相当,性能明显优于所有最新的无监督显著性检测方法。
Mar, 2018
该研究提出了一种基于显著性引导的图像分割网络,利用自我注意力显著性方法生成微妙的显著性地图,并通过点种植区域生长方法将地点线索扩展为像素级标签,从而生成具有区分性的对象区域。实验结果表明,该方法有效降低了显著性噪声的影响,提高了弱监督图像分割的准确性。
Oct, 2018
本文提出了基于新型弱标注的视频显著目标检测模型,并使用外观运动融合模块和双向 ConvLSTM 框架来实现有效的多模态学习和长期时序建模,还设计了一种前景背景相似度损失和一种弱标注增强策略,以提高模型性能和伪标签生成技术。在六个基准视频显著性检测数据集上的实验结果证明了我们方案的有效性。
Apr, 2021
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
该研究提出一种发现类特定像素的方法,需要通过正确地结合显著性和注意力图才能获得可靠的线索,该方法将二者的可靠性信息组合使用,以训练卷积神经网络以在弱监督语义分割任务和图像级分类任务上实现更好的性能,实验证明,该方法在 PASCAL VOC12 数据集上取得了比以往最好结果更好的成绩。
Jul, 2017
本文提出了一种基于深度学习和分层表示的相对显著性检测方法,解决了在多个观察者查询时显著对象定义模糊的问题,同时还能够用于解决显著性目标子计数问题,并在所有指标上的性能优于先前的任何工作。
Mar, 2018