使用区域对比引导语义分割
本文提出了一种将语言 - 图像预训练模型(如 CLIP)的检索能力与无监督图像分割方法结合的方法,称为 Retrieve and Co-segment(ReCo)。该方法可构建语义分割模型,无需像素级别的标注,具有词汇表中概念名称的预测方便性和零样本转移能力,并能生成少见对象的专用分割模型。
Jun, 2022
本文提出了基于区域级别对比和一致性学习框架 (RC^2L) 的半监督语义分割方法,通过引入区域级别损失,包括 Region Mask Contrastive (RMC) 损失、Region Feature Contrastive (RFC) 损失、Region Class Consistency (RCC) 损失和 Semantic Mask Consistency (SMC) 损失,实现了更好的稳定性和性能。在 PASCAL VOC 2012 和 Cityscapes 数据集上的实验结果表明,所提出的方法优于现有最先进方法。
Apr, 2022
提出一种新型半监督语义分割方法,结合像素级 L2 损失和像素对比损失以实现两个分割模型规则:图像增强之间的标签空间一致性性质和不同像素之间的特征空间对比性质,采用 DeepLab-v3+ 结构和多个数据集进行了广泛的实验,表现出最先进的性能。
Aug, 2021
本研究提出了一种半监督语义分割的新方法,采用对比学习模块,通过维护持续更新的内存库,将具有相同类别的样本的像素级特征表示相似,通过端到端的训练,优化标注和未标注数据的特征,能够在公共基准测试中取得比半监督语义分割和半监督领域适应的现有技术更好的表现,尤其在标注数据较少的情况下有更大的提升。
Apr, 2021
该论文提出了一种新的一步自适应框架 SePiCo,它通过强调单个像素的语义概念来促进跨域自学习方法的学习,并在合成到真实和白天到夜晚自适应情景下取得了显著的进展。
Apr, 2022
本研究提出了一种名为 CoReSeg 的新方法来解决开放集分割的问题,它使用基于像素掩码的类条件重构对输入图像进行条件化,能够更好地拟合对象边界,并在 Vaihingen 数据集上优于现有方法。
Mar, 2022
本研究提出了一种基于语义对比引导的递归语义掩蔽转换器和引导框架,用于解决多标签图像识别中单一正标签的困难问题,通过迭代优化网络参数和细化语义指导,显著提高了多标签图像识别的性能。
Jul, 2023
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
该研究提出了一种基于卷积神经网络 (CNN) 本地通用特征和循环神经网络 (RNN) 为距离依存性检索提供了能力的结构预测框架,称为 ReSeg,旨在解决更具挑战性的语义分割任务并兼顾效率、灵活性和适用性,通过在多个数据集上的评估显示出了最先进的性能优势。
Nov, 2015