面向弱监督语义分割的分组语义挖掘
这篇论文介绍了一种基于图推理的方法来提高弱监督语义分割技术,该方法同时增强了多标签分类和分割网络阶段,并融合了外部知识和图卷积网络来全局推理跨类别依赖关系,以改善生成伪标签的完整性,并应用图推理映射模块加强高级语义的特征表示,动态学习个别样本的语义一致性,取得了在 PASCAL VOC 2012 和 MS-COCO 数据集上的最新性能。
Sep, 2023
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
提出了一种新颖的端到端的弱监督语义分割框架 DSCNet,通过引入像素级组对比和语义级图对比以及设计一种新的双流对比学习机制,综合处理像素级和语义级上下文信息,从而在弱监督语义分割任务中取得了优于现有方法和基准模型的结果。
May, 2024
对比传统的像素级监督语义分割,使用图像级标签的弱监督语义分割(WSSS)面临的挑战是始终专注于最具差异性的区域,导致完全监督条件下的不一致。典型的表现是在目标边界上减少了精度,从而导致 WSSS 的准确性下降。为了缓解这个问题,我们提出了一种自适应将图像内容划分为确定性区域(如自信的前景和背景)和不确定性区域(如目标边界和错误分类类别)进行分别处理的方法。对于不确定性提示,我们采用基于激活的掩膜策略,并试图通过自身提炼的知识来恢复局部信息。我们进一步假设未掩膜的自信区域应具有足够的鲁棒性以保持全局语义。基于此,我们引入了一种互补的自我增强方法,它限制了这些自信区域与具有相同类别标签的增强图片之间的语义一致性。通过在 PASCAL VOC 2012 和 MS COCO 2014 上进行的大量实验证明,我们提出的 WSSS 的单阶段方法不仅明显优于最先进的基准方法,而且在复杂性换精度的多阶段方法之上。可以在此 https URL 找到代码。
Dec, 2023
本研究提出了一种基于形状信息的弱监督语义分割方法,采用了新颖的改进方法去增强模型可靠性,能够在单阶段框架内迅速高效地完成训练与推理,在 PASCAL VOC 2012 数据集上的准确率超过了现有的同类方法。
Aug, 2022
该论文提出一种基于自注视网络和显著性先验的半监督语义分割模型,能够准确地定位并分割图像区域,且在 PASCAL VOC 2012 上的表现优于目前所有其他先进方法。
Oct, 2019
本文提出了一种基于像素级原型对比度的弱监督语义分割方法,通过两种直观的先验知识,对图像的不同视角和单个视角内进行执行,旨在实施跨视图特征语义一致性规则,并促进特征空间的内部(间)类一致性(离散度),从而提高了两个强基线模型的精度,并在 PASCAL VOC 2012 上实现了新的最先进水平。
Oct, 2021
该论文研究了只从图像级别监督中学习语义分割的问题,引入了两个神经协同注意力机制来补充地捕捉跨图像的语义相似性和差异性,提高了物体模式学习和语义分割的性能,并在不同的 WSSS 设置下实现了最先进的性能。
Jul, 2020
我们提出了一种单级 WSSS 模型(WS-FCN),它可以捕获由相邻特征网格形成的多尺度上下文,并将低级特征中的细粒度空间信息编码到高级特征中,通过全局物体上下文和本地区域内容消除二者的限制。该模型可以有效地进行自我监督,并在 PASCAL VOC 2012 和 MS COCO 2014 数据集上实现了最先进的结果。
Apr, 2023