CVPRMar, 2022

嘈杂的边界：对于半监督实例分割是利弊参半？

PDF
TL;DR本文研究半监督实例分割问题，提出了一种通过引入伪标签的方法，构建包含噪声的像素级标签的半监督实例分割框架，并在框架中同时提出抵制和利用噪声边界的方法，通过大量实验表明该方法的性能优于基线方法。
semi-supervised instance segmentationpseudo labelsnoise-tolerant mask headboundary-preserving mapextensive experiments
发现论文，激发创造
  • 预算感知半监督语义与实例分割

    本文研究了半监督分割方法，与之前的方法相比，本文的方法在标注预算方面有了重大突破，在使用低标注预算时，我们的方法在语义与实例分割方面表现优于弱监督方法，并在较小的标注成本下优于以往的半监督方法。同时，我们通过考虑总的标注预算，将弱监督和半监督方法结合在一起，从而更公正地比较各种方法。我们在 Pascal VOC 基准测试上展示了结果。

    May, 2019

  • 改善半监督实例分割的 (伪) 标签

    通过引入一种双重策略来增强教师模型的训练过程，从而显著改善少样本学习，同时提出一种校准校正机制，使学生模型能够纠正教师的校准错误。实验结果在 LVIS 数据集上表现出显著的提升，平均精度（AP）提高了 2.8％，稀有类别的 AP 提高了 10.3％。

    Mar, 2024

  • GuidedMix-Net：使用标记图像作为参考的半监督语义分割

    利用标记信息指导非标记示例的学习，通过三个操作进行语义分割的半监督学习，包括相似标记 - 非标记图像对的插值，互信息的转移以及伪面具的泛化。在 PASCAL VOC 2012 和城市景观上的大规模实验中，与先前的方法相比，GuidedMix-Net 取得了竞争性分割准确性，并显着提高了平均交集联合（mIoU）比先前的方法高 7％。

    Dec, 2021

  • GuidedMix-Net：使用标记的图像作为参考学习改进伪掩码

    本文提出了一种基于混合数据的指导式半监督分割方法 GuidedMix-Net，并利用标记数据指导未标记数据的学习，该方法采用特征对齐和互信息传输的方法进行特征融合，同时提出伪标签生成模块用于生成高质量伪标签，联合训练标记数据和伪标签，实验验证了该方法在各种数据集中取得了具有竞争力的分割精度和显着改进的 mIoU。

    Jun, 2021

  • 区域不确定性量化的半监督学习来对抗噪声

    本文提出了一种基于区域不确定性的抗噪半监督学习方法，通过多峰概率分布输出引入不确定性以实现抗噪学习，并在 PASCAL VOC 和 MS COCO 上的实验结果表明了该方法的卓越性能。

    Nov, 2021

  • 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

  • 通过学习注释一致的实例来进行弱监督实例分割

    提出了一种基于弱监督的实例分割方法，使用条件分布来建模伪标签生成过程中的不确定性，通过联合概率学习目标来最小化两个分布之间的差异，实现了在 PASCAL VOC 2012 数据集上优于最优基线 4.2％ [email protected] 和 4.8％ [email protected] 的最新效果。

    Jul, 2020

  • 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

  • BoxTeacher：探索高质量的弱监督实例分割伪标签

    BoxTeacher 是一个高效 End-to-End 的训练框架，可以实现使用 Bounding Box 产生高质量的 Mask 标签的弱监督实例分割，BoxTeacher 使用一个复杂的教师网络产生高质量的 Mask 标签，然后通过 noise-aware pixel loss 和 noise-reduced affinity loss 调整学生网络，这种方法在 COCO 数据集上具有很高的标记 AP 表现。

    Oct, 2022

  • 利用图像级别的类别标签学习检测语义边界

    本文介绍了第一次尝试使用图像级别的类别标签作为监督来学习语义边界检测的方法，并且提出了一种基于多实例学习的任务形式，在区别不同类别的领域之间通过互相连线代表边界。我们提出的神经网络模型可以可靠地学习估计语义边界，即使是在多实例学习策略的不确定监督下，将其用于生成训练图像的伪语义边界标签，并使用这些标签来训练完全监督模型。最终模型在 SBD 数据集上取得了出色的表现，与一些使用更强监督的模型相当竞争。

    Dec, 2022