CVPRApr, 2022

多视图共分割和聚类变换器的无监督分层语义分割

PDF
TL;DR本文提出了一种基于像素特征学习的数据驱动的无监督分层语义分割方法，使用同一图像的多视角协同分割来启动特征学习，加入粗细层次间的聚类变换器以确保组织层次间的语义一致性，该方法被称作 'Hierarchical Segment Grouping'，在五个主流目标和场景测评基准上表现良好。
unsupervised semantic segmentationhierarchical grouping consistencyco-segmentationclustering transformershierarchical segment grouping
发现论文，激发创造
  • 一个轻量级聚类框架用于无监督语义分割

    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

  • 通过提炼特征对应关系进行无监督的语义分割

    STEGO 是一种新的自监督特征提取框架，通过使用对比损失函数来加强特征聚类的紧凑性，并在 CocoStuff 和 Cityscapes 语义分割挑战中显著优于其他算法。

    Mar, 2022

  • 深度无监督感知分组

    本文介绍了一种有效的感知推断框架，该框架能够显式地处理输入和特征的分割，并通过增强神经网络的表示能力并对对象表示进行迭代分组，以及对其分组迭代推理进行摊销从而实现了快速收敛，相比其他处理多物体场景的方法，该方法不假设输入为图像，因此可以直接处理其他模态，并在处理具有纹理分割的复杂图像时提供更好的分类性能。

    Jun, 2016

  • 像素级聚类网络用于无监督图像分割

    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

  • 因果无监督语义分割

    无监督语义分割的新框架 CAUSE 基于因果推断，通过前门调整、概念聚类手段实现适当级别的概念分割，从而在无监督语义分割任务中取得了最先进的性能。

    Oct, 2023

  • 深层次语义分割

    本文提出了一种用于分层语义分割的新架构 HSSN，它可将现有的分割网络有效地应用于分层语义分割，通过像素嵌入和类别层次结构来实现像素级多标签分类和更好的分割。

    Mar, 2022

  • UnSegGNet: 无监督图神经网络图像分割

    利用预训练视觉转换模型提取输入图像的高级特征，然后利用图神经网络和基于模块性的优化准则，无需依赖预先标记的训练数据，从图像中提取和划分有意义的边界，实现了竞争性能，进而对无监督医学图像和计算机视觉领域做出了贡献。

    May, 2024

  • CAST：自适应段标记的并发识别和分割

    通过无监督学习，本研究提出了一种基于像素、分割区域和完整图像级别同时学习的分层图像识别方法，通过引入自适应段落令牌和图池化来实现多尺度分割，同时提高识别精度和计算效率。

    Oct, 2022

  • 通过有效的协同分割和数据增强实现自监督的多视图立体匹配

    针对现有自监督方法在多视图重建中可能出现的相关点之间颜色不同的问题，本文提出了一种基于语义共分割和数据增强的更可靠监督的框架，其中利用多视图图像中的相互语义来指导语义一致性，同时设计了有效的数据增强机制，以确保对样本的变换鲁棒性。在 DTU 数据集上的实验结果表明，我们提出的方法在无监督方法中取得了最先进的性能，并且甚至可以与有监督方法一较高下。此外，在 Tanks＆Temples 数据集上的广泛实验证明了该方法的有效泛化能力。

    Apr, 2021

  • TransFGU: 一种自上而下的 Fine-Grained 非监督语义分割方法

    该篇论文提出了首个自上而下的无监督语义分割框架，利用自监督学习方式从大规模视觉数据中获得高级别结构化语义概念信息，使用此信息作为先验，利用计算出的类激活图（CAM）将发现的高级别语义类别映射到低级别像素特征中，最后用获得的 CAM 作为伪标签训练分割模块并生成最终的语义分割，并在多个语义分割基准上进行实验，证明其优于当前所有最先进的自下而上方法。

    Dec, 2021