Jul, 2021

最大化互信息和对抗正则化的无监督图像分割

PDF
TL;DR本文提出了一种全新的完全无监督语义分割方法，名为 InMARS，以信息最大化和对抗性正则化分割为基础，并结合对抗性训练策略，通过像人类感知一样先将输入图像分区，然后将其聚类为语义上有意义的类别，其实验结果表明在两个常用的无监督语义分割数据集上，InMARS 方法取得了最先进的性能。
semantic segmentationunsupervised methodneural networksinformation maximizationadversarial training
发现论文，激发创造
  • InfoSeg: 基于互信息最大化的无监督语义图像分割

    本文提出了一种基于自监督学习的无监督语义图像分割的新方法，通过局部和全局高级别图像特征间的互信息最大化计算多个高级别特征，实现对不同语义类别的图像分割和互信息最大化的两阶段学习过程，并在已有数据集和引入的 COCO-Persons 数据集上相对推进了 26%（基于像素准确率评估）。

    Oct, 2021

  • 自回归无监督图像分割

    该研究提出了一种基于不同视图之间的互信息最大化的新的无监督图像分割方法，该方法利用不同形式的掩蔽卷积构建数据的不同视图，用于表示学习或聚类。

    Jul, 2020

  • 基于信息论的修补错误最大化分割

    该研究从信息论的角度研究了图像分割，并提出了一种新的敌对方法，通过将图像划分成最大独立集合来执行无监督分割，实验结果表明其在无监督分割质量方面达到了新的最优状态，并且比现有的方法更快、更通用。

    Dec, 2020

  • 基于卷积神经网络和正则化信息最大化的超像素分割

    通过在推理时间内优化随机初始化卷积神经网络（CNN），我们提出了一种无监督的超像素分割方法，通过 CNN 从单个图像生成超像素，无需任何标签，通过最小化提出的超像素分割目标函数来实现。我们的方法与许多现有方法相比有三个优点：（i）利用 CNN 的图像预先知识用于超像素分割，（ii）根据给定的图像自适应地改变超像素数量，（iii）通过将一个辅助成本增加到目标函数中来控制超像素的属性。我们在 BSDS500 和 SBD 数据集上定量和定性验证了我们方法的优势。

    Feb, 2020

  • 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

  • ADVENT: 基于对抗性熵最小化的语义分割领域自适应

    本文提出了两种基于像素预测熵的损失函数的方法来解决语义分割中的无监督域适应问题，分别采用熵损失和对抗性损失。在两个具有挑战性的 “synthetic-2-real” 场景下，我们证明了该方法在语义分割方面具有最先进的性能，并且该方法也可以用于检测。

    Nov, 2018

  • 区域互信息损失在语义分割中的应用

    本文提出了一种区域互信息（RMI）损失，来更简单、高效地建模像素之间的相关性，以优化语义分割任务中的像素分类问题。在测试过程中，RMI 只需要几个额外的计算资源，具有较高的性能表现。

    Oct, 2019

  • 多智能体强化学习的自监督神经元分割

    提出了一种基于决策的掩蔽图像模型（drawing-based mask image model, MIM）方法，利用强化学习自动搜索最佳图像掩蔽比例和掩蔽策略，并通过多主体协作捕捉体素间的依赖关系，从而在神经元分割任务上显著优于其他自我监督方法。

    Oct, 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

  • 一种极其简单的一致性正则化半监督医学图像分割方法

    本文提出了一种新颖的正则化策略，包括基于插值的混合策略，以此来解决医学图像分割任务中像素级注释不足的普遍问题。实验证明该方法比现有的半监督模型更具优越性，且不需要额外的计算。

    Feb, 2022