完全自监督学习用于语义分割
本文提出了一种半监督学习的方法,即自我训练范式,通过用标注数据训练教师模型并在大量未标注数据上生成伪标签,以较少的监督实现像素级准确模型,并在 Cityscapes,CamVid 和 KITTI 数据集上取得了最优表现,同时,在具有挑战性的跨域泛化任务上表现更佳,最后,为了减轻大量伪标签带来的计算负担,提出了一种快速训练计划来加速分割模型的训练。
Apr, 2020
本研究介绍了一种半监督框架,通过一个辅助模型和一个自我纠正模块,在只有一小部分完全有监督图像的基础上,使用具有目标边界框标签的图像和只有目标边界框标签的图像集(称为弱集),训练出高质量的语义分割模型,这种方法比传统大量完全有监督数据模型要求的标注工作量减少~7 倍。
Nov, 2018
我们提出了一个用于无监督语义分割的轻量级聚类框架,基于自监督视觉变换器的注意特征,通过将这些特征聚类成少量的聚类中心,我们能够将前景和背景的图像补丁分开成不同的组。我们的框架在无监督语义分割方面展示了很大的潜力,并在 PASCAL VOC 和 MS COCO 数据集上取得了最新的成果。
Nov, 2023
借鉴谱分解方法,将图像分解问题视为图划分任务,并通过特征亲和力矩阵的拉普拉斯矩阵的特征向量分析来估计感兴趣对象的分布;提出一种新颖的自监督式 FSS 框架,不依赖于任何标注,并通过利用从支持图像获得的特征向量自适应地估计查询掩码,从而消除了手动注释的需求,特别适用于具有有限标注数据的医学图像;引入了多尺度大卷积核注意力模块,进一步提高了对支持图像提供的信息进行查询图像解码的能力,通过选择性地强调相关特征和细节,改善了分割过程并有助于更好的物体勾边;在自然和医学图像数据集上的评估结果展示了我们方法的高效性和有效性。
Jul, 2023
该研究提出了一种分阶段的自我训练框架,使用伪掩模的统计信息来降低预测概率的不确定性以及通过多任务模型在一定程度上强制执行分割一致性,从而实现半监督语义分割的性能并表现出与现有方法相当。
Dec, 2020
本文提出了一个像素级聚类框架,用于将图像分割成区域,而无需使用地面真值标注。该框架包括特征嵌入模块、特征统计计算模块、图像重建和超像素分割,以实现准确的无监督分割。此外,我们提出了一种训练策略,利用每个超像素内部一致性、相邻超像素间的相似性 / 差异性和图像结构相似性。我们还提出了一种后处理方法,以避免由基于超像素的损失引起的过分分割。最后,我们扩展了所提方法用于无监督语义分割。通过在三个公开数据集上进行实验,我们证明了所提框架的有效性。实验结果表明,所提框架优于先前的最先进方法。
Oct, 2023
本研究提出使用自我生成伪标签来捕捉未标注图像数据中的潜在信息,在同一张图像的不同数据增强生成的多个伪标签交集的一致性正则化过滤噪声伪标签,结合人工标注数据重新训练模型,并不断迭代,以此达到在复杂的零标签语义分割场景下进行广义分类的任务的最新最优结果。
Apr, 2021
本文提出了一种自监督的像素表示学习方法,通过使用从图像中提取的视觉概念(例如部件、物体和场景等具有语义意义的像素组)实现语义分割,评估了在三个数据集上学习到的像素嵌入和视觉概念。作者的实验结果表明,该方法在非监督语义分割方面取得了持续和显著的改进,并且视觉概念可以揭示图像数据集的洞见。
Mar, 2022
本文提出了一种针对医学图像的新型自监督少样本分割方案,其中使用基于超像素的伪标签提供监督,采用自适应本地原型池化模块解决前景背景不平衡问题,并在三个不同的任务下测试,结果表明该方法优于传统需要手动注释的方法。
Jul, 2020