Nov, 2022

重新思考无监督图像语义分割中的对齐和一致性

HTML
PDF
TL;DR本研究提出了一种名为语义关注网络（Semantic Attention Network，SAN）的模型，在无监督的图像语义分割（UISS）任务中采用“语义关注（Semantic Attention）”模块生成像素级和语义级特征，该模型具有较好的特征一致性和特征匹配性能，在多个数据集上超过已有方法的分割效果。
发现论文，激发创造
  • 挖掘跨图像语义进行弱监督语义分割

    该论文研究了只从图像级别监督中学习语义分割的问题，引入了两个神经协同注意力机制来补充地捕捉跨图像的语义相似性和差异性，提高了物体模式学习和语义分割的性能，并在不同的WSSS设置下实现了最先进的性能。

    Jul, 2020

  • 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

  • 最大化空间特征的余弦相似度，用于语义分割的无监督域自适应

    本文提出一种新的方法，通过在特征层面上最大化源域和目标域之间的余弦相似度来解决语义分割的无监督域适应问题。通过广泛的实验，我们验证了我们的方法在两个无监督域适应任务（GTA5 $ o $ Cityscapes和SYNTHIA $ o $ Cityscapes）上获得了性能提升。

    Feb, 2021

  • 大规模无监督语义分割

    该研究提出了一个新的大规模无监督语义分割的问题（LUSS），并创建了一个基准数据集来帮助研究。该基准数据集名为ImageNet-S，包含120万个训练图像和50K高质量的语义分割注释进行评估。此外，研究人员还提出了一种简单而有效的方法，可用于大规模无监督语义分割，并且公布了代码和基准数据集。

    Jun, 2021

  • TransFGU:一种自上而下的Fine-Grained非监督语义分割方法

    该篇论文提出了首个自上而下的无监督语义分割框架，利用自监督学习方式从大规模视觉数据中获得高级别结构化语义概念信息，使用此信息作为先验，利用计算出的类激活图（CAM）将发现的高级别语义类别映射到低级别像素特征中，最后用获得的CAM作为伪标签训练分割模块并生成最终的语义分割，并在多个语义分割基准上进行实验，证明其优于当前所有最先进的自下而上方法。

    Dec, 2021

  • 语义图像分割的无监督域自适应：综述

    本文是关于无监督领域适应在语义分割中应用的综述，概括了包括多领域学习、域泛化、测试时适应、无源领域适应在内的最新趋势，并介绍了语义分割的最重要的方法、广泛使用的数据集和基准。

    Dec, 2021

  • 重新思考语义分割：原型视图

    本研究提出了一种基于非可学习原型的非参数替代方法来处理任意数量的语义分割类，并通过模型优化嵌入式像素与锚定原型之间的排布来直接塑造像素嵌入空间，证实了该方法在多个数据集上的表现。

    Mar, 2022

  • 利用隐藏正样本进行无监督语义分割

    通过挖掘隐藏正样本学习丰富的语义关系和确保局部语义一致性，我们引入了对比学习来解决任务特定训练指导和局部语义一致性缺乏考虑的问题，并引入了一个渐进的策略来逐步提高导致模型捕获任务特定的语义特征，在 COCO-stuff、Cityscapes 和 Potsdam-3 数据集上实现了最新的 SOTA 结果。

    Mar, 2023

  • 通过深度信息引导特征蒸馏和采样的无监督语义分割

    使用深度信息和无监督学习方法改进语义分割，通过对特征和深度地图之间的关联进行空间相关性学习以提高性能，并在多个基准数据集上展示了显著的改进。

    Sep, 2023

  • 无监督通用图像分割

    我们提出了一种名为U2Seg的无监督通用分割模型，能够使用统一框架执行多种图像分割任务：实例分割、语义分割和全景分割。该方法通过利用自监督模型生成伪语义标签，并在此基础上进行自我训练，达到了与专门设计的方法相比显著的性能提升，同时也为无监督全景分割建立了一个新的基准。此外，在少样本情况下，即只有1%的COCO标签时，U2Seg也是强大的预训练模型，比CutLER在APmask上提升了5.0个点。我们希望我们简单而有效的方法能够激发更多关于无监督通用图像分割的研究。

    Dec, 2023