基于高斯混合模型的生成式语义分割模型

Oct, 2022

基于高斯混合模型的生成式语义分割模型

GMMSeg: Gaussian Mixture based Generative Semantic Segmentation Models

Chen Liang, Wenguan Wang, Jiaxu Miao, Yi Yang

TL;DRGMMSeg 提出了一种使用密集生成分类器进行分割的新型分割模型，以捕获类条件密度并在具有各种分割架构和 Backbone 的情况下优于鉴别模型，即使在开放性的数据集上也表现良好。

Abstract

Prevalent semantic segmentation solutions are, in essence, a dense discriminative classifier of p(class|pixel feature). Though straightforward, this de facto paradigm neglects the underlying data distribution p(pixel feature|class), and struggles to identify out-of-distribution data. G

semantic segmentation generative classifier gaussian mixture models discriminative models open-world datasets

发现论文，激发创造

深高斯混合模型用于无监督图像分割

使用深度学习、高斯混合模型和卷积神经网络方法，本研究提出了一种可以快速预测标签概率的图像分割方法，并且能部分克服高斯混合模型中忽略相邻像素相关性的缺点，通过在多序列 MRI 图像上进行心肌梗塞分割的实验证明了该方法的优势。

Apr, 2024

ProtoGMM：基于多原型高斯混合的领域自适应语义分割模型

通过利用 GMM 模型，我们提出了一种多原型对比学习的领域自适应语义分割方法，以实现源域和目标域之间的领域对齐，并在 UDA 基准测试中展示出了方法的有效性。

Jun, 2024

生成语义分割

本论文提出了一种基于生成学习的语义分割方法以及如何将条件网络与后验分布结合起来，从而实现在标准和跨领域的语义分割问题上达到新的最佳性能表现。

Mar, 2023

生成医学分割

介绍了一种基于生成模型的图像分割方法 (GMS)，使用预训练的 Variational Autoencoder (VAE) 生成精确的分割掩膜，提供了医学图像分割的新标准，具有良好的领域泛化能力。

Mar, 2024

具有稀疏性的判别高斯混合模型

通过稀疏贝叶斯学习，提出了一种基于判别高斯混合模型（Sparse Discriminative Gaussian Mixture, SDGM）的分类器。实验结果表明，该方法优于现有的基于 softmax 的判别模型。

Nov, 2019

SeGMA：半监督高斯混合自编码器

提出了一种半监督生成模型 SeGMA，它是在典型的 Wasserstein 自编码器框架中实现的，可以有效地进行优化，并在标准基准数据集上达到至少与其半监督前身同样好的生成性能。

Jun, 2019

少样本语义分割的原型混合模型

本文提出了一种原型混合模型 (PMMs)，该模型利用期望最大化算法从有限的支持图像中提取通道和空间语义，从而在激活查询图像中的物体的同时抑制背景区域，这种方法在 MS-COCO 数据集上 5-shot 分割性能提高了 5.82%。

Aug, 2020

（半监督）最大化边缘深度生成模型用于学习

本文介绍了一种新的深度生成模型 (DGMs) - max-margin deep generative models (mmDGMs) 和 class-conditional variant (mmDCGMs)，它们同时保留了生成性和判别性，通过最大间隔学习来提高模型的预测性能，并且在半监督学习中利用了最大间隔分类器来代替全局后验推断从而提高学习效率。在各种数据集上的实验结果表明，这种方法可以明显地提高模型的预测性能。

Nov, 2016

SegSort: 通过区间的鉴别性排序进行分节

本文提出了基于深度学习的端到端的像素度量学习方法，通过优化相似性函数来实现图像内分割和跨图像语义分组，并且采用像素嵌入和聚类的方式进行一致的推理和预测，该方法在无监督的语义分割方面取得了很好的性能并且具有更精确的边界和一致的区域预测，并且可以产生可解释的结果。

Oct, 2019

GMISeg: 无需重新训练的通用医学图像分割

提出了一种无需额外训练即可解决未知医学图像分割任务的通用方法，该方法通过使用基于所提出方法的 SAM（Segment Anything Model）图像编码器的一种新型低秩微调策略，与提示编码器和掩膜解码器一起微调标记数据集，实现新任务的泛化。该方法在不同部位的医学图像数据集上进行训练和泛化，并在其他地点数据集上使用心脏图像进行了验证，证明其在未知任务上的优越性能，并对所提方法的重要性能进行了全面分析和总结。

Nov, 2023