多样数据集上的语义分割训练
本论文介绍了视觉场景理解的各方面研究,特别是通过使用语义分割网络在不同数据集上进行训练来提高分割性能和泛化性以及训练效率,以及通过多种方法来实现弱监督学习和部分感知全景分割等新任务,为实现全面、丰富、可持续的视觉场景理解铺平了道路。
Jan, 2022
本文提出了一种通用的半监督语义分割框架,旨在在各种应用领域实现更低的注释和部署成本,并通过像素感知熵正则化的特征对齐目标来最小化有监督以及无监督损失,以实现在多个领域中都能使用单一模型,利用少量标记实现性能提升,同时可以处理不同领域的标签空间不同的问题。
Nov, 2018
我们提出了一种双层 Siamese 结构网络(DSSN)进行像素级对比学习,通过在低级图像空间和高级特征空间中利用强增强视图对齐正样本对,最大化利用可用的无标签数据,并引入了一种新颖的面向类别感知的伪标签选择策略以改善弱到强监督的性能,并在 PASCAL VOC 2012 和 Cityscapes 两个数据集上取得了显著优于其他 SSS 算法的最新成果。
Jul, 2023
通过使用双增强变换网络和自正则化约束,为弱监督语义分割(WSSS)问题提供一种有效的解决方法,该方法通过将 CNN 和 Transformer 网络相结合进行相互补充学习,并在最终输出上进行增强来改善分割效果。在具有挑战性的 PASCAL VOC 2012 基准测试上进行的大量系统评估结果表明,该方法的有效性优于先前的最先进方法。
Sep, 2023
本研究提出了一个名为多数据集预训练的统一框架,利用来自不同数据集的注释,通过像素级原型对比损失和跨数据集混合来扩展像素级嵌入,进而显式建模关于像素类的相似度,在多个基准测试上实现了卓越的性能。
Jun, 2021
本文提出了一种基于像素特征学习的数据驱动的无监督分层语义分割方法,使用同一图像的多视角协同分割来启动特征学习,加入粗细层次间的聚类变换器以确保组织层次间的语义一致性,该方法被称作 'Hierarchical Segment Grouping',在五个主流目标和场景测评基准上表现良好。
Apr, 2022
本文提出了一种针对医学图像的新型自监督少样本分割方案,其中使用基于超像素的伪标签提供监督,采用自适应本地原型池化模块解决前景背景不平衡问题,并在三个不同的任务下测试,结果表明该方法优于传统需要手动注释的方法。
Jul, 2020