AAAIDec, 2022

LWSIS: 基于 LiDAR 指导的自动驾驶弱监督实例分割

PDF
TL;DR本文提出了一个基于 LiDAR 导引的弱监督实例分割框架，利用点云和三维框作为自然的弱监督信息代替 2D 遮罩标注，有效利用不同模态数据进行训练，并大幅度减少了 2D 遮罩的注释成本。该框架包含两个关键模块：点标签分配（PLA）和基于图形的一致性正规化（GCR），并在 nuScenes 和 Waymo 上进行了广泛实验。
image instance segmentationlidarweakly supervisedpoint cloudmultimodal data
发现论文，激发创造
  • MWSIS: 基于 2D 边框标注的多模态弱监督实例分割在自动驾驶中的应用

    通过应用弱监督方法和多模态跨模态监督，同时利用 2D 和 3D 注释来提高伪标签的质量，该研究提出了一种名为 MWSIS 的新型框架，可在自动驾驶等领域中进行实例分割，从而显著提高性能并降低注释成本。

    Dec, 2023

  • 从语义到实例分割：通过语义知识转移和自我优化进行弱监督实例分割

    本文提出一种创新的方法来解决弱监督实例分割任务中的实例定位难题，并使用自我训练方案来改进伪标注，消除语义漂移问题。通过在 PASCAL VOC 2012 和 MS COCO 上广泛实验，证明了该方法的有效性，无需使用与实例或对象有关的预先训练技术。

    Sep, 2021

  • AutoInst: LiDAR 3D 扫描的自动实例分割

    通过无监督学习的方法，使用 LiDAR 传感器，构建了一个算法来预测 3D 场景中的实例分割，其中通过权重代理图生成 3D 实例掩模建议，并使用自我训练算法对初始嘈杂的提议进行强化，以生成场景级实例分割。在 SemanticKITTI 基准测试中，该方法相较于最佳基准模型获得了 13.3% 的平均准确率和 9.1% 的 F1 分数提升。

    Mar, 2024

  • 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

  • BAISeg：边界辅助的弱监督实例分割

    我们提出了一种新的弱监督实例分割方法，通过预测类不可知的实例边界而不是实例中心点来识别实例，进一步增强了实例边界的连续性和闭合性，并且在只使用像素级注释的情况下取得了可观的性能。

    May, 2024

  • 弱监督实例分割的完整实例挖掘

    利用只有图像级别标签的弱监督实例分割（WSIS）是一项具有挑战性的任务，但随着深度神经网络（DNNs）的进步，WSIS 已经引起了广泛关注。我们提出一种新颖的 WSIS 方法，通过使用 MaskIoU 头部预测 proposal 的完整度得分，采用完整实例挖掘（CIM）策略来显式建模冗余分割问题并生成精炼的伪标签。我们的方法在 PASCAL VOC 2012 和 MS COCO 数据集上实证评估，并取得了超过当前最先进方法的性能。

    Feb, 2024

  • 3D 边界框与 SAM 相遇：弱噪声监督下的点云实例分割

    通过使用预先训练的 2D 基础模型 SAM 和 3D 几何先验，本文提出了一个互补的图像提示引导的弱监督点云实例分割（CIP-WPIS）方法，用于从边界框注释中准确地获取点云实例标签。通过在 3D 候选点的全可见图像视图中选择，我们生成互补的背景和前景提示，并通过这些提示对点进行置信度分配，使用超点提供的 3D 几何均匀性来决定最终实例标签分配。通过大量实验证明，我们的方法对于嘈杂的 3D 边界框注释具有鲁棒性，并实现了最先进的性能。

    Sep, 2023

  • 通过表示、变换和补偿增强弱监督图像分割

    弱监督图像分割是计算机视觉中的关键任务，依赖于图像级别的类别标签。我们提出了一种利用具有对比学习的孪生网络改进类别活动图 (CAMs) 质量并实现自我改善过程的新型单阶段 WSIS 方法。我们的方法在 PASCAL VOC 2012 数据集上实验证明其明显优于其他最先进方法，在 PASCAL VOC 2012 验证集和测试集上分别达到了 67.2% 和 68.76% mIoU。此外，我们的方法在弱监督目标定位任务中也展现出竞争力。

    Sep, 2023

  • PWISeg：点云弱监督下的手术器械实例分割

    我们提出了一种新的弱监督手术器械实例分割方法，名为基于点的弱监督实例分割（PWISeg）。该方法通过采用基于 FCN 的架构，使用点到框和点到掩模分支来建模特征点与边界框以及特征点与分割掩模之间的关系，在单个模型中联合完成手术器械的检测和分割任务。我们提供了一个详细的手术器械数据集，并进行了广泛的实验验证，结果表明我们的 PWISeg 在手术器械分割任务上具有卓越的性能。

    Nov, 2023

  • 无实例级注释的弱监督三维实例分割

    通过使用弱监督的三维实例分割方法，只需要分类语义标签作为监督，而无需实例级别标签，从而减少批注成本，并利用伪实例标签辅助现有方法学习三维实例分割。

    Aug, 2023