Apr, 2022

基于误差定位网络的半监督语义分割

PDF
TL;DR本文提出了一种基于误差定位网络来解决伪标签问题的半监督语义分割方法，该方法有效地消除了训练过程中因使用伪标签带来的性能下降风险，并实现了对不精确伪标签的鲁棒性，同时具有自训练和对比学习的天然集成能力。与现有方法相比，在 PASCAL VOC 2012 和 Cityscapes 数据集上，该方法在所有评估指标中均表现出了卓越的性能。
semi-supervised learningsemantic segmentationpseudo labelingerror localization networkcontrastive learning
发现论文，激发创造
  • 区域关联的半监督语义分割

    本文提出了一种基于区域相关性网络的半监督语义分割方法，其中包括本地伪标签过滤模块、本地选择损失模块和动态区域损失校正模块，这些模块可以降低伪标签引起的分类误差和预测不一致性，实现更好的分割结果。

    Apr, 2023

  • 半监督自修正语义图像分割网络

    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

  • 主动半监督表示学习的语义分割

    本文提出一种新算法，将半监督和主动学习相结合，通过用少量的有标签数据来训练分割算法。我们通过用自我训练方法替换半监督学习的平均教师方法，以处理带有噪声的标签，进一步增强神经网络的能力来查询有用的数据，从而实现了超越现有半监督方法的性能。在 CamVid 和 CityScapes 数据集上评估我们的方法，仅使用了 12.1% 和 15.1% 的标签数据，分别实现了 95% 以上的准确率。

    Oct, 2022

  • 基于伪标签的半监督语义分割综述

    半监督语义分割领域伪标签方法的综述，从不同角度分类并介绍了特定应用领域的具体方法，还探讨了伪标签技术在医学图像分割中的应用，并提出了一些可行的未来研究方向来解决现有挑战。

    Mar, 2024

  • 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

  • 利用对抗擦除和伪标签改进弱监督目标定位

    该论文研究了一种弱监督对象定位的框架，通过仅使用图像和图像级别的类标签训练神经网络，旨在训练出能够同时预测对象类别和位置的神经网络，并通过采用对抗抹除和伪标签来提高定位准确性。在 ILSVRC-2012、CUB-200-2011 和 PASCAL VOC 2012 三个公开数据集上的实验结果表明，该方法在所有评估指标上都优于先前的最先进方法。

    Apr, 2024

  • 自适应均衡学习的半监督语义分割

    本文提出了一种名为自适应均衡学习（AEL）的半监督语义分割新框架，旨在应对 Cityscapes 数据集中某些特定类别性能较差（即长尾标签分布），通过自信度相应动态调整训练，包括数据增广、数据采样等策略，实验证明其优于同类方法，并在多种数据划分协议下在 Cityscapes 和 Pascal VOC 基准测试中取得了显著的性能提升。

    Oct, 2021

  • 医学图像分割中区分人类错误和基本事实

    本文提出了一种使用两个耦合的 CNN 从纯噪声观察中联合学习单个标注者的可靠性和真实分割标签分布的方法，该方法在三个公共医学影像分割数据集上表现良好，尤其是在注释数量较少且出现较大不一致性的情况下。

    Jul, 2020

  • 通过自监督对比学习利用无标签数据进行三维医学图像分割

    我们提出了一种使用两个不同子网络来探索和利用它们之间差异的方法，最终纠正错误的预测结果，通过有针对性的验证训练过程识别不一致预测的区域并进行微调，从而提高上下文信息的利用；此外，为了自适应地调整网络的表示能力并降低预测不确定性，我们采用了自监督对比学习范式，利用网络的置信度区分可靠和不可靠的预测，并训练模型有效地最小化不可靠的预测；我们的实验结果来自于临床 MRI 和 CT 扫描的器官分割，与最先进的方法相比，证明了我们方法的有效性。

    Nov, 2023

  • 基于伪标签辅助学习的弱监督 ALS 点云语义分割

    本文提出的伪标签辅助点云分割方法，可使用非常少的弱标签 (稀疏采样的) 以较低的标注成本获得与全监督方案相同的结果，并且提出了自适应阈值策略来生成基于预测概率的伪标签进行学习。实验证明，本方法在 ISPRS 3D 语义标注基准数据集上取得了 83.7% 的整体准确率和 70.2% 的平均 F1 分数。

    May, 2021