Nov, 2022

有礼貌的教师：互相学习和伪标签阈值的半监督实例分割

HTML
PDF
TL;DRPolite Teacher使用相互学习框架，结合有限的监督信息和无标定实例，通过confidence thresholding和mask scoring来过滤噪声，进而在anchor-free detector上提高了8%的mask AP值，这是关于半监督实例分割问题的首个anchor-free解决方案。
发现论文，激发创造
  • 使用类别峰值响应进行弱监督实例分割

    本研究提出了一种使用图像级别标签而不是昂贵的像素级别掩模进行弱监督实例分割的方法，该方法通过利用类峰值响应来实现分类网络以提取实例掩模，并生成了称为Peak Response Maps（PRMs）的实例级别表示，可实现在某些现成方法下提取实例掩模

    Apr, 2018

  • 基于图像级监督学习的实例分割：口罩在哪里？

    本文提出了一种使用图像级别标签进行实例分割的新框架，其中分为两个阶段，分别是训练分类器生成伪掩模并在这些伪掩模上训练完全监督的Mask R-CNN。在PASCAL VOC 2012数据集上进行实验，相对于现有方法说明主要性能提高。

    Jul, 2019

  • 软教师端到端半监督目标检测

    本文提出了一种半监督的端到端目标检测方法，采用渐进的端到端训练来提高伪标签的质量，并在COCO基准测试中通过采用两种简单而有效的技术进行了改进，使得在不同的标记比率下（1%，5%和10%）皆性能优于以往方法，并且在有大量标记数据的情况下也表现良好。

    Jun, 2021

  • 嘈杂的边界：对于半监督实例分割是利弊参半？

    本文研究半监督实例分割问题，提出了一种通过引入伪标签的方法，构建包含噪声的像素级标签的半监督实例分割框架，并在框架中同时提出抵制和利用噪声边界的方法，通过大量实验表明该方法的性能优于基线方法。

    Mar, 2022

  • BoxTeacher：探索高质量的弱监督实例分割伪标签

    BoxTeacher是一个高效End-to-End的训练框架，可以实现使用Bounding Box产生高质量的Mask标签的弱监督实例分割，BoxTeacher使用一个复杂的教师网络产生高质量的Mask标签，然后通过noise-aware pixel loss和noise-reduced affinity loss调整学生网络，这种方法在COCO数据集上具有很高的标记AP表现。

    Oct, 2022

  • 点在细节中见魔鬼：基于点引导遮罩表示的弱半监督实例分割

    本文提出了一种名为WSSIS的学习方法，使用点标签实现高效的实例分割，同时引入MaskRefineNet来处理少量标签数据的情况，并在COCO数据集上进行了丰富的实验，获得了比当前半监督方法更好的表现(33.7% vs. 24.9%)，代码提供在https URL上。

    Mar, 2023

  • 半监督实例分割的引导蒸馏

    通过引入新颖的“引导燃烧”阶段的教师-学生蒸馏模型以及评估不同的实例分割架构、骨干网络和预训练策略，我们改进了蒸馏方法，并利用未标记数据在引导燃烧阶段中进行了指导，从而显著提高了先前最先进的结果。

    Aug, 2023

  • 临时教师切换半监督语义分割

    该研究论文介绍了一种名为双教师的简单而有效的方法，利用双临时教师解决了学生和教师权重耦合的问题，通过定期生成伪标签训练学生模型并保持不同特征，以显著缩短训练时间，并证明了该方法适用于各种模型。

    Oct, 2023

  • 改善半监督实例分割的(伪)标签

    通过引入一种双重策略来增强教师模型的训练过程，从而显著改善少样本学习，同时提出一种校准校正机制，使学生模型能够纠正教师的校准错误。实验结果在LVIS数据集上表现出显著的提升，平均精度（AP）提高了2.8％，稀有类别的AP提高了10.3％。

    Mar, 2024

  • 极点监督实例分割

    本论文介绍了一种使用极值点（即每个对象的最上面、最左边、最下面和最右边的点）进行实例分割学习的新方法。通过将极值点视为真实实例掩码的一部分并将其传播以识别潜在的前景和背景点，然后将其用于训练伪标签生成器，再利用生成器提供的伪标签进行最终模型的监督学习，我们的方法在三个公共基准上明显优于现有的基于边界框监督方法，进一步缩小与完全监督对照组之间的差距。特别是在目标对象分隔成多个部分的情况下，我们的模型生成高质量的掩码，而之前的基于边界框监督方法经常失败。

    May, 2024