CVPRApr, 2022

学习来自像素级嘈杂标签：光场显著性检测的新视角

PDF
TL;DR本文提出了一种使用非监督手工特征显著性方法获取像素级嘈杂标签学习光场显著性的方法，并在多个基准数据集上进行了广泛实验，表明该框架学习的显著性预测与现有的监督学习光场显著性方法相当，其代码可以在 https URL 上获得。
saliency detectionlight field imagespixel-level noisy labelsunsupervised hand crafted featured based saliency methodsintra light field features fusion stream
发现论文，激发创造
  • 深度无监督显著性检测：多噪声标注视角

    通过学习通过由 “弱” 和 “噪声” 的非监督型手工精炼显着性方法生成的多个噪声标签，我们提出了一种新的非监督型显着性检测模型，该模型包括一个隐式显着性预测模块和一个噪声建模模块，二者协作学习，并共同优化以使我们的模型能够以概率方式处理噪声显着性图，具有可比拟的性能和优于所有非监督显着性方法的显着性检测效果。

    Mar, 2018

  • 利用显著性从图像级标签进行目标分割

    使用显著性模型和图像级别注释相结合实现像素级标注的弱监督训练，从而实现像素级对象的语义标注任务，其中 80％的全监督性能已经恢复。

    Jan, 2017

  • 利用图像标签进行弱监督显著目标检测

    本篇论文提出采用无监督学习方法生成的显著图用于像素级注释，在此基础上采用简单而有效的算法训练卷积神经网络，使用图形模型和完全卷积网络为模型更新修复标签歧义和更新粗糙激活地图，结果表明，该算法与目前最佳的强监管方法相当，性能明显优于所有最新的无监督显著性检测方法。

    Mar, 2018

  • 基于深度卷积网络的光场显著性检测

    本研究提出了一种新的基于 CNN 的光场显著性检测框架，提出了三个新颖的 MAC（模型角度改变）块来处理光场微透镜图像，同时还建立了一个大规模的数据集和标准，可以用来训练更深的神经网络和进行评测，实验证明，我们的方法在该数据集上明显优于现有的最先进方法，并在其他数据集上具有理想的泛化能力。

    Jun, 2019

  • DUT-LFSaliency: 多用途数据集和光场到 RGB 显著性检测

    本研究提出了一个大规模数据集与两个流模型，用于轻场景中 Saliency 检测，并通过三个蒸馏方案提高了模型的性能和灵活性。

    Dec, 2020

  • 双重本地图学习和相互引导的光场显著性检测

    本文提出了一种基于图网络的局部连接模型，来有效地融合光场数据中的特征并指导焦散堆叠融合过程，同时通过相互的引导方案实现全部焦点和焦散堆叠的特征增强，最终得出比现有方法更优的显着性预测结果。

    Oct, 2021

  • 基于超像素引导的噪声标签迭代学习在医学图像分割中的应用

    该研究提出了一种基于超像素的分割学习方法，通过噪声感知训练和噪声标签改进相结合，利用其结构约束来提高分割标签的鲁棒性，实现在标签噪声范围内的有效学习

    Jul, 2021

  • 弱监督语义分割中发现类特定像素

    该研究提出一种发现类特定像素的方法，需要通过正确地结合显著性和注意力图才能获得可靠的线索，该方法将二者的可靠性信息组合使用，以训练卷积神经网络以在弱监督语义分割任务和图像级分类任务上实现更好的性能，实验证明，该方法在 PASCAL VOC12 数据集上取得了比以往最好结果更好的成绩。

    Jul, 2017

  • 基于不确定性感知伪标签学习的无监督域自适应显著目标检测

    通过使用合成数据集来代替传统的手动标注，本论文提出了一种新的基于不确定性自学习的无监督域适应方法，用于深度学习中的显著物体检测任务，并在多个基准数据集中取得了超过现有深度学习方法的最佳表现，甚至与全监督方法相当。

    Feb, 2022

  • 场景间密集对应的无监督特征学习

    通过无监督学习从大量未标记图像路径中学习特征，对像素进行编码，并进行空间池化以获得补丁层特征，然后将学习到的特征顺畅地嵌入到多层匹配框架中，得到了与最先进的方法相比在准确性和计算效率方面均优于 SIFT flow 等的匹配模型，并分析了字典学习和特征编码对最终匹配性能的影响。

    Jan, 2015