Nov, 2021

半监督语义分割的扰动与严格均值Teacher模型

HTML
PDF
TL;DR本文中，我们使用新的mean-teacher模型扩展和更严格的confidence-weighted cross-entropy loss解决了一些不准确的预测，这使我们能够使用新的对抗性扰动技术来提高对相对数据的一致性学习泛化能力。结果表明，我们的方法较先前的SOTA方法在该领域实现了显着的改进。
发现论文，激发创造
  • 高低层次一致性半监督语义分割

    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

  • 半监督语义分割的结构一致性损失

    本论文提出一种结构相似性损失函数，旨在解决现有研究中半监督语义分割问题中的不足，该方法在Cityscapes数据集上获得了最好的结果，实现了在像素级语义标签任务中的第一名。

    Jan, 2020

  • 带交叉一致性训练的半监督语义分割

    本文提出了一种新型的基于交叉一致性的半监督语义分割方法，其中共享编码器和主解码器进行有监督训练，利用无标签数据来提高编码器的表示，该方法简单易懂，并且在多个数据集上实现了最先进的结果。

    Mar, 2020

  • DMT: 半监督学习的动态相互训练

    本文介绍了一种互动训练（Dynamic Mutual Training，DMT）的方法，可以通过两种不同模型之间的互动来确定伪标签的错误，从而提高半监督学习的性能。在图像分类和语义分割任务中，DMT均取得了最新的表现。

    Apr, 2020

  • 具有交叉伪监督的半监督语义分割

    本文中，我们提出了一种新的一致性正规化方法，名为交叉伪监督（CPS），通过探索有标签数据和额外的未标记数据来研究半监督语义分割问题。在城市风景和PASCAL VOC 2012上，我们的方法实现了半监督分割性能的最新水平。

    Jun, 2021

  • 利用不可靠的伪标签进行半监督语义分割

    本研究提出了一种通过利用熵值对可靠像素和不可靠像素进行分类，再进一步将不可靠像素分配为负样本，从而对无标签数据进行半监督语义分割的有效策略

    Mar, 2022

  • 半监督语义分割中弱到强一致性的再访

    本文介绍了一种基于弱到强一致性框架的半监督分类技术，将图像的弱扰动版本作为强扰动版本的监督信息，通过使用数据扩充，提出了一个统一的双流扰动方法，该方法在各种基准测试中表现优异。

    Aug, 2022

  • 基于冲突的交叉视图一致性的半监督语义分割

    本文提出了一种新的基于双分支协同训练框架的基于冲突的跨视图一致性方法(CCVC)，该方法使用特征差距损失鼓励两个子网络从相同的输入学习不同的特征，并使用冲突的伪标签方法来保证模型可以从冲突预测中学习更多有用的信息，从而在半监督语义分割(Semantic Segmentation)任务中取得了最新的最优性能.

    Mar, 2023

  • 朝未知领域进发: 密度递减特征扰动用于半监督语义分割

    基于密度下降的特征扰动（DDFP）是一种新颖的特征级一致性学习框架，旨在通过扰动注入将特征移向密度较低的区域，有效地规范决策边界，并通过轻量级密度估计器实时捕获特征密度分布，该方法在特征级扰动上胜过其他设计并在Pascal VOC和Cityscapes数据集上展现出卓越的性能。

    Mar, 2024

  • 重新审视网络扰动在半监督语义分割中的应用

    本研究针对半监督语义分割中弱-强一致性正则化技术与网络扰动结合不足的问题，提出了一种新的网络扰动方法，以扩展现有的弱-强一致性正则化，特别是针对未标记数据。同时，我们引入了不稳定的标记数据学习过程，开发了一个名为MLPMatch的高效框架，验证其在Pascal VOC和Cityscapes数据集上的先进性能，推动了该领域的发展。

    Nov, 2024