CVPRMar, 2021

针对弱监督和半监督语义分割的反对抗操纵属性

PDF
TL;DR本研究介绍了 AdvCAM 方法，通过反对抗性的图像像素梯度扰动来提高分类分数，并引入了一种新的正则化方法来抑制与目标对象不相关的区域的错误归属，并限制已经得分较高的区域的归属度。 在 PASCAL VOC 2012 测试图像上，本研究的 AdvCAM 在弱监督和半监督语义分割方面实现了 68.0 和 76.9 的 mIoUs，分别代表了最新的技术水平。
发现论文，激发创造
  • P-NOC: 弱监督语义分割的对抗性 CAM 生成

    本研究提出了一种基于类别的对抗擦除策略，在弱监督语义分割中实现模型的正则化和提高模型性能。经实验证明，该策略可以在 Pascal VOC 2012 和 MS COCO 2014 数据集上显著提高模型的语义分割效果。

    May, 2023

  • 弱监督语义分割自监督等变注意力机制

    本文提出了一种自我监督的等变注意机制方法 (SEAM) 来解决基于图像级别弱监督学习语义分割的问题。该方法通过提出一致性规则，并利用像素相关模块 (PCM) 来处理背景信息，从而提高了实验效果。

    Apr, 2020

  • 利用亲和力学习辅助任务进行弱监督语义分割

    提出了一种利用弱监督学习的多任务、利用显著性检测和多标签图像分类作为辅助任务的新型网络框架 AuxSegNet，借助显著性检测作为辅助任务提高了基于图像级原始标注来执行语义分割任务的准确度，实现了在 PASCAL VOC 2012 和 MS COCO 数据集上表现最佳的弱监督分割性能。

    Jul, 2021

  • 超越判别区域：作为 CAM 替代品的显著性图用于弱监督语义分割

    近年来，提出了几种使用分类器生成的类激活图（CAMs）产生伪地面实况用于训练分割模型的弱监督语义分割（WS3）方法。本文对 WS3 中的类激活图（CAMs）和显著图进行了全面比较，并提出了新的评估指标，以全面评估 WS3 中替代方法的性能。我们通过对基准数据集进行的实证研究，证明了显著图在解决类激活图（CAMs）的局限性方面的有效性。此外，我们提出了随机裁剪作为一种随机聚合技术，提高了显著图的性能，并使其成为 WS3 中强有力的类激活图（CAMs）替代方法。

    Aug, 2023

  • 使用生成对抗网络进行半监督和弱监督语义分割

    本文利用大量未标注或弱标注的数据和生成式对抗网络作为背景，提出了一种半监督框架实现语义分割，其中利用推理出的大量虚假图片来强化真实数据的特征聚类；同时，通过提供分类级别信息，提高 GAN 生成图像的质量，进而改善了像素分类，该方法经过在几个挑战性的基准视觉数据集上测试，表现与当前的最先进语义分割方法相当。

    Mar, 2017

  • 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

  • 保持冷静，提高视觉特征归因

    本文提出的 CALM 模型通过将经验校准步骤嵌入模型以及使用潜在变量来改进 CAM 算法的短处，在具有弱监督目标检测的基准测试中表现出更好的性能。

    Jun, 2021

  • 基于像素原型对比的弱监督语义分割

    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

  • 弱监督语义和实例分割的边框归因映射

    本研究利用训练的物体检测器的行为高级信息，寻求影响物体检测器结果的最小区域，形成 bound box attribution map（BBAM)。该方法基于伪标注数据进行弱监督的语义及实例分割，能提高 PASCAL VOC 和 MS COCO 数据集的分割结果。

    Mar, 2021

  • 无监督对象定位和语义分割中，不考虑类别的激活映射对比学习

    该研究提出了使用无标签图像数据进行不需要图像级监督的类无关激活图生成的对比学习方法（Contrastive learning for Class-agnostic Activation Map），得到了更完整的物体区域，并应用于弱监督目标定位和语义分割中。

    Mar, 2022