AAAIOct, 2022

利用概率表示增强半监督语义分割

PDF
TL;DR本文提出了一个基于概率理论的 Probabilistic Representation Contrastive Learning（PRCL）框架，通过将像素到表示的映射建模为多维高斯分布的概率，可以调节不确定性表示的贡献，提高表示的可靠性，从而提高了语义分割的性能，并在 Pascal VOC 和 CityScapes 上进行了充分的实验验证。
semi-supervisedsemantic segmentationcontrastive learningprobability theoryrepresentation quality
发现论文，激发创造
  • PRCL: 半监督语义分割的概率表示对比学习

    通过对半监督语义分割进行对比学习取得了巨大突破，但是由于有限的注释，模型自身生成的无标签图像上的引导 inevitably 存在噪音，扰乱了无监督训练过程。为了解决这个问题，我们提出了一个强大的基于对比的 S4 框架，称为概率表示对比学习 (PRCL) 框架来增强无监督训练过程的鲁棒性。我们将逐像素表示建模为多元高斯分布的概率表示 (PR), 并通过调整模糊表示的贡献度来容忍对比学习中的不准确引导的风险。此外，我们通过收集整个训练过程中所有 PR 生成全局分布原型 (GDP)。由于 GDP 包含相同类别的所有表示的信息，它在表示中即使存在噪声也是鲁棒的，并且承载着表示的类内差异。此外，我们基于 GDP 生成虚拟负样本 (VNs) 来参与对比学习过程。在两个公开基准测试上进行的大量实验证明了我们 PRCL 框架的优越性。

    Feb, 2024

  • 视频对比学习的概率表示

    本文提出了一种概率视频对比学习的自我监督表示学习方法，该方法基于混合高斯将视频剪辑呈现为正常分布并将它们组合成一个高斯分布混合物来建模整个视频分布，通过此方法我们可以避免对剪辑进行转换以生成增强剪辑视图的不必要策略，实验证明该方法在 UCF101 和 HMDB51 等最流行的基准测试上是最先进的视频表示学习方法。

    Apr, 2022

  • ProbMCL：简单的多标签视觉分类概率对比学习

    在多标签图像分类任务中，我们提出了一种名为 Probabilistic Multi-label Contrastive Learning (ProbMCL) 的新框架，通过结合有监督对比学习和混合密度网络来解决现有方法中的挑战，并在计算机视觉和医学影像领域的数据集上验证了其有效性和低计算成本。

    Jan, 2024

  • PCLMix: 弱监督医学图像分割的像素级对比学习和动态混合增强

    提出了一种名为 PCLMix 的新型弱监督医学图像分割框架，通过引入动态混合增强、像素级对比学习和一致性正则化策略，解决了弱监督图像分割中局部到全局区域的准确传播监督信号的挑战，并成功缩小了弱监督和全监督分割方法之间的差距。

    May, 2024

  • 像素对比一致性半监督语义分割

    提出一种新型半监督语义分割方法，结合像素级 L2 损失和像素对比损失以实现两个分割模型规则：图像增强之间的标签空间一致性性质和不同像素之间的特征空间对比性质，采用 DeepLab-v3+ 结构和多个数据集进行了广泛的实验，表现出最先进的性能。

    Aug, 2021

  • 基于像素到分割对比学习的通用弱监督分割

    本研究基于半监督度量学习方法，提出了四种对应关系来捕捉低 - level 图像相似性、语义标注、共现和特征亲和力。这些节点可以从任何部分注释的训练图像中以数据驱动的方式进行学习，因此，该模型不仅适用于弱监督分割中标记的像素，还适用于未标记的像素。

    May, 2021

  • 无监督表示的原型对比学习

    该论文介绍了原型对比学习（PCL）这一无监督表示学习方法，PCL 不仅学习用于实例区分的低级特征，更重要的是它隐含地将数据的语义结构编码到了学习的嵌入空间中，该方法通过增加原型作为潜在变量来寻找最大似然估计，提出了一种基于对比学习的通用损失函数 ProtoNCE loss，此方法在多个基准测试中的表现均优于当前最先进的基于实例对比学习方法，在低资源转移学习方面有了显著的改进。

    May, 2020

  • 一个概率模型解释自监督表示学习

    自监督学习在生成的潜在变量模型和对比方法的框架下，提出了一种能够改善性能、实现任务无关性表示的方法。

    Feb, 2024

  • 基于类别内存库的像素级对比学习的半监督语义分割

    本研究提出了一种半监督语义分割的新方法，采用对比学习模块，通过维护持续更新的内存库，将具有相同类别的样本的像素级特征表示相似，通过端到端的训练，优化标注和未标注数据的特征，能够在公共基准测试中取得比半监督语义分割和半监督领域适应的现有技术更好的表现，尤其在标注数据较少的情况下有更大的提升。

    Apr, 2021

  • 学习区域表示增强通用分割

    本文提出了一个新的方法，该方法将分割相关性的像素表示与边缘映射相结合，从而产生一种新的分割算法，在大多数质量度量方面提供了最先进的结果或改进。

    Nov, 2019