几个像素就够了:使用 PixelPick 进行语义分割
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
文章提出了一种利用一些有限的像素注释数据和一些无标签数据进行半监督语义分割的方法,并在 PASCAL VOC 2012,PASCAL-Context,和 Cityscapes 数据集上实现了最新的半监督学习的最佳性能。
Aug, 2019
本研究探讨如何使用图像级别标注来进行语义分割,通过 Anh 和 Kwak 提出的方法从图像级别标注中生成像素级别标注,并提出了对 AffinityNet 的调整,以进行直接的语义分割。结果表明,生成的标签与原始数据集的性能相同,并且直接使用 AffinityNet 和 Random Walk 进行的语义分割质量接近于最佳完全监督方法。
Apr, 2019
本文提出了一种半弱监督分割算法,基于新的深度监督学习方法和学生 - 教师模型,结合各种监督信号以实现易于集成,有效地减少了昂贵标注的要求。经过实验验证,该算法在视网膜液体分割上取得了成功。
Apr, 2021
本文提出了一种新的弱监督全景分割方法,使用逐点标注替代像全监督方法那样使用像素级标签,通过构建端到端的框架同时从逐点标签生成全景伪掩模进行学习,最小化像素到点间的遍历成本以模拟语义相似性、低级纹理线索及高层流形知识,以实现像素解析。在实验中,本文基于 Pascal VOC 及 MS COCO 数据集证明了此方法的有效性及其领先的性能。
Oct, 2022
通过区块子图像标注替代全图像标注可更高质量地通过现有的全局图像标注工具进行众包,从而提高对语义分割任务的性能,甚至只有 12% 像素注释就可以达到稠密注释的 98% 性能,并且在弱监督任务中表现优于现有方法。同时,提出了一种有效的方法来 inpaint 区块注释的图像,用较少的注释也可以用于应用程序中。
Feb, 2020
本文提出一种半监督学习的语义分割模型,该模型可以将从像素级别注释的强类别中学到的分割知识转移到只有图像级别注释的弱类别中,从而显著扩大了深度分割模型在实际应用中的适用范围。该模型由两个互补且可学习的部分组成:标签转移网络(L-Net)和预测转移网络(P-Net)。通过将这两个部分进行整合,可以在 PASCAL VOC 2012 数据集上实现与完全监督基线相近的 96.5%和 89.4%的性能,而只使用 50%和 0%的像素级别注释类别。
Nov, 2017
半监督语义分割领域伪标签方法的综述,从不同角度分类并介绍了特定应用领域的具体方法,还探讨了伪标签技术在医学图像分割中的应用,并提出了一些可行的未来研究方向来解决现有挑战。
Mar, 2024