这篇论文介绍了点云数据的一种新任务 NCD 的语义分割方法,通过在线聚类、不确定性估计和语义蒸馏提出了一种新的 NCD 方法,并提出了一种新的评估协议来严格评估其在点云语义分割中的性能,通过在多个数据集上进行全面评估,证明了该方法相对于其他基准方法的显著优势。
Dec, 2023
本文提出一种基于在线聚类和不确定性量化的新型类别发现方法,用于处理 3D 点云数据的语义分割,设计了新的评估协议以验证其性能优于传统方法。
Mar, 2023
通过使用基于先验知识的像素掩膜分类任务以及邻域关系引导的掩膜聚类算法,本研究提出一种能够在未标记的图像中自动发现和分割新对象类别的方法,同时为其他模型的训练提供了生成伪标签作为监督的可能性。
Nov, 2023
本文提出了一种新的方法 SSUL-M 方法,该方法结合了针对语义分割的技术并首次使用了微小样本存储器来解决类逐步学习中经常出现的语义漂移和多标签预测问题,实验证明其比其他最新技术基线表现更优秀。
Jun, 2021
本文通过解密 novel class discovery (NCD) 的假设,找到高级语意特征应该在已知和未知类之间共享。基于此发现,我们可以通过 meta-learning 算法对 NCD 问题进行经验性解决,在实验中表现出了显著的特性。
Feb, 2021
提出一种基于已知类别知识自动发现皮肤镜图像数据集中新语义类别的新颖类别发现框架,借助对已知类别知识的学习,采用对比学习和多视角交叉伪监督策略来建立特征表示,并通过众包和本地样本相似性聚合来改进模型的聚类性能。在 ISIC 2019 皮肤科数据集上进行广泛实验,结果表明,该方法能够有效利用已知类别知识发现新的语义类别。
Sep, 2023
本文从有标记集合出发,关注如何更好地支持无标记数据集的新类别发掘,提出了一个基于语义相似度的标记集合选取方法,并定义了一个度量有标记集合与无标记集合之间语义相似度的数学方法,实验结果表明在低相似度环境下使用标记信息可能会导致次优结果。
Sep, 2022
该文提出了一种名为 OpenNCD 的新的半监督开放世界的未知类别发现方法,它是一种在多个原型上进行的渐进式双层对比学习方法,该方法由两个相互增强的部分组成。首先,介绍了一种双层对比学习方法,然后提出了一个可靠的原型相似度度量方法。对三个图像数据集进行了广泛的实验,结果表明该方法在开放世界的情况下特别有效,特别是在已知类别和标签稀缺的情况下。
May, 2023
基于部分类别空间注释数据,对已知类别进行分类和聚类及发现新类别 (Novel Categories Discovery,NCD) 解决了开放世界问题。通过硬约束和软约束相结合的方法,我们成功地实现了基于语义的新类别数据聚类。
Jul, 2023
提出了一种称为 UCC 的新型学习框架,它通过强弱数据增强、动态交叉集复制粘贴和不确定性引导的重新加权模块,结合了一致性和自我训练的优势,从而实现了半监督语义分割。在 Cityscapes 和 PASCAL VOC 2012 数据集上进行了广泛的实验,证明了 UCC 方法的有效性和优越性。
May, 2022