利用稀疏标注学习语义对应

ECCVAug, 2022

Learning Semantic Correspondence with Sparse Annotations

Shuaiyi Huang, Luyu Yang, Bo He, Songyang Zhang, Xuming He...

TL;DR本文针对语义对应中标签稀疏性的挑战，提出了一种基于稀疏关键点注释生成密集伪标签的教师 - 学生学习范式，并开发了两种噪声伪标签去噪策略，使用空间先验和损失驱动的动态标签选择策略。实验结果表明该方法在语义对应的三个基准测试中均取得了显著进展并建立了新的最新成果。

Abstract

Finding dense semantic correspondence is a fundamental problem in computer vision, which remains challenging in complex scenes due to background clutter, extreme intra-class variation, and a severe lack of ground truth. In this paper, we aim to address the challenge of →

semantic correspondence label sparsity keypoint annotations teacher-student learning paradigm label denoising

发现论文，激发创造

若得之则与之，语义对应学习无对标图像

通过无标签对训练的简单而有效的方法，扩充了数据集的数量和多样性，并在基于语义的对应基准测试中取得了优于里程碑基线和最先进方法的性能提升。

Nov, 2023

每个像素都是分类器的密集语义对应

本文探讨了将语义对应视为约束检测问题的可能性，介绍了使用 LDA 分类器学习每个像素点的方法，并将该问题表述为图模型。

May, 2015

端到端弱监督语义对齐

本文提出了一种基于卷积神经网络和不同 iable soft inlier scoring 模块的语义对齐方法，该方法无需繁琐的手工标注就能实现对不同但具有语义相关性的图像进行参数学习，并从几何上一致的对应关系计算对齐质量，达到了基于多个标准基准的语义对齐的最先进表现。

Dec, 2017

通过 3D 和 2D 网络之间的互相教学进行稀疏注释的 3D 医学图像分割

通过 3D 和 2D 网络的交叉教学，我们提出了一种从稀疏注释中稳健学习的框架，采用硬 - 软置信度阈值和一致标签融合两种伪标签选择策略，实验证明我们的方法优于半监督分割方法的最先进成果，并且与全监督的上限结果相媲美。

Jul, 2023

ASIC: 对野外稀疏图像集的对齐

该研究提出了一种自监督技术的目标对象排列方法，使用神经网络将图像集映射到学习的规范网格，从而使得得到的密集一一对应点更加准确和稳定。

Mar, 2023

从邻居学习：从稀疏注释中学习多模态映射

该文章研究了如何通过邻居的注释来提高判别模型的性能，并应用于图像和语言领域的多个问题中，通过实验结果显示了该方法可以提高输出多样性和模型准确性。

Jun, 2018

学习产生半密集对应关系进行视觉定位

在夜间场景、恶劣天气和季节变化等苛刻条件下进行视觉定位是一项具有挑战性的任务。本研究提出了一种新颖的定位方法，通过提取可靠的半稠密的 2D-3D 匹配点来改进相机位姿估计的准确性，即使在噪声场景中也能取得显著的成果。

Feb, 2024

照片与草图之间的密集对应关系学习

本研究介绍了一种新的素描 - 照片对应基准，PSC6k，其中包含 125 个物体类别上 6250 个素描 - 照片对的 150K 注释，并提出了一种自监督方法，用于学习素描 - 照片对之间的密集对应关系，该方法在精细度和量化上优于其他基线模型，为开发实现更接近人类的不同抽象层次上的视觉图像理解的人工系统提供了有希望的道路。

Jul, 2023

SCNet：学习语义对应性

本文提出了 SCNet，一种基于卷积神经网络的语义对应的几何合理模型，利用区域提议实现匹配原语，并明确将几何一致性纳入其损失函数中，该方法在多项基准测试中均表现优异。

May, 2017

学习如何发现好的对应关系

该研究使用多层感知器来优化广基准立体匹配的好匹配点，同时恢复相对位置关系，该网络基于像素坐标运算而非直接图像处理，提出了一种称为上下文规范化的新型正则化技术，使得可以单独处理每个数据点并赋予全局信息。在多个数据集的实验中，该方法使用少量训练数据就能显著提高现有技术的水平。

Nov, 2017