Oct, 2022
实际单一图像中的无监督物体分割:前景还是泡影?
Promising or Elusive? Unsupervised Object Segmentation from Real-world Single Images
Yafei Yang, Bo Yang
TL;DR本文研究了从单幅图像进行无监督物体分割的问题,通过系统地研究现有无监督模型在具有挑战性的现实世界图像上的有效性,发现现有无监督模型在真实世界的图像上无法有效地分割普通物体,因此需要在网络设计中利用更明确的对象性偏差。
Abstract
In this paper, we study the problem of unsupervised object segmentation from
single images. We do not introduce a new algorithm, but systematically
investigate the effectiveness of existing unsupervised models on challenging
→
unsupervised object segmentationreal-world imagesobject- and scene-level biasesinductive biasesnetwork design
发现论文,激发创造
实际单图像非监督目标分割的基准测试和分析
研究旨在系统研究现有无监督模型在具有挑战性的真实世界图像上的有效性,发现现有无监督模型在真实世界图像中很难分割普通物体,因为现有模型所引入的归纳偏差难以捕捉不同目标的分布。未来的工作应该在网络设计中更充分地利用显式的目标偏差。
Dec, 2023
对比物体掩码提案的无监督语义分割
本文旨在通过采用对比优化目标中的预定中级先验,引入了一个两步框架来学习像素嵌入,从而解决了计算机视觉中的无监督语义表示学习问题,并证明此方法优于现有方法。
Feb, 2021
自监督学习目标部分应用于语义分割
本文介绍了以往自我监督的学习方式大多聚焦于图像级的表示学习,不能为无监督图像分割等需要空间多样的表示的任务带来改进,通过自我监督学习物体部件提出了新的解决途径,并结合目前趋势的 Vision Transformer,利用稠密聚类任务进行空间标记的微调,取得了在语义分割基准测试上超过 17%-3% 的最先进结果,且在完全无监督分割方面也具有重大潜力。
Apr, 2022
弱监督下物体类别学习与检索
采用完全可区分的无监督深度聚类方法,仅使用未标记的对象提议,无需个体分类标签来学习语义类,建立特征表示并同时学习聚类。目前该方法仅提供分割对象性掩膜的监督,但该方法可扩展为使用无监督的目标性生成机制,从而使该方法完全无监督。
Jan, 2018
从视频中无监督学习,用于检测单张图像中的前景物体
本研究致力于解决视觉数据无监督学习中的目标检测问题,使用包含深度神经网络的学生路径来训练模型,该模型可以在测试时明显优于无监督视频发现教师,并在 YouTube 视频数据集和目标发现数据集等基准测试中取得了最先进的结果,测试时比其他方法至少快两个数量级。
Mar, 2017