Jan, 2023

无监督物体检测和实例分割的切割学习

PDF
TL;DR提出了一种名为 Cut-and-LEaRn（CutLER）的简单方法，以训练无监督的物体检测和分割模型，它首先使用所提出的 MaskCut 方法生成图像中多个对象的粗略蒙版，然后在这些蒙版上学习检测器，最后通过对模型的预测进行自我训练实现零样本无监督检测，大幅提升检测性能。
unsupervised object detectionself-supervised modelslocalization modelmaskcut approachzero-shot unsupervised detector
发现论文，激发创造
  • VideoCutLER：惊人简单的无监督视频实例分割

    使用高质量伪蒙版和简单的视频合成方法进行模型训练，能够在视频中有效地分割和追踪多个实例，实现了具有竞争力的无监督学习结果。

    Aug, 2023

  • CuVLER：通过详尽的自我监督变换增强无监督对象发现

    通过 VoteCut 和 CuVLER 方法，在多个无监督设置中，利用多个自我监督模型的特征表示进行归一化切割、聚类和像素投票，实现了显著的改进，为图像分割领域的未来发展铺平了道路。

    Mar, 2024

  • 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

  • 通过剪切和粘贴学习分割

    本文提出了一种基于弱监督学习框架的对象实例分割方法，使用对抗训练的方法学习对象掩模，利用剪切 - 粘贴的游戏过程，通过掩模生成器和区分器的协同作用来实现分割掩模的优化，实验结果表明，该方法在不需要手工标注分割建议的情况下，可以超越现有的弱监督分割方法，并获得了 90% 的监督分割性能。

    Mar, 2018

  • 使用自监督 Transformer 和归一化割分割图像和视频中的对象

    本研究采用基于图形的算法，通过利用自我监督变压器获得的特征来检测和分割图像和视频中的显着对象，并最终通过经典的归一化割算法解决检测和分割问题，并在多个常见的图像和视频检测和分割任务中实现了最新的结果。

    Sep, 2022

  • LOCATE：基于流引导图割和自主引导自训练的自监督目标发现

    利用动态信息和外观信息，我们提出了一种自我监督的目标发现方法，该方法能够生成高质量的目标分割遮罩，并在多个基准测试中取得与现有方法相媲美甚至超越的结果。

    Aug, 2023

  • 多实例课程学习用于弱监督目标检测

    该研究使用物体分割指导模型正确定位物体，使用 “多示例课程学习” 方法逐渐拓展训练集，获得了比现有方法更好的效果。

    Nov, 2017

  • FreeSOLO: 无标注物体分割学习

    本文提出了一种基于 SOLO 的自监督实例分割框架 FreeSOLO，通过实现一个新颖的定位感知预训练框架成功地实现了无监督的类不可知实例分割，其与一些使用手动标注的分割提案方法相比表现更优，而且还通过 + 9.8% 的 AP 在弱监督条件下对预训练方法进行了进一步改进。

    Feb, 2022

  • 使用归一化切割的自监督 Transformers 进行无监督目标发现

    本文提出了一种基于自监督学习训练的 Transformer 模型特征的基于图的对象发现方法，在图中进行规范化的图割以分组具有相似性区域的前景物体。该方法可以显著提高无监督对象发现的性能，也可以扩展到无监督凸显性检测和弱监督对象检测领域。

    Feb, 2022

  • 无监督 Transformer 定位物体

    本文提出了一种不需要昂贵的注释活动的图像集合中的目标本地化的简单方法（称为 LOST），该方法利用了以自我监督方式预训练的视觉转换器的激活特征，同时在 PASCAL VOC 2012 上的实验表明，该方法优于最先进的目标发现方法最高可达 8 CorLoc 点。此外，我们还展示了在发现对象的基础上训练一个不具有类别属性的检测器可以再次提高 7 个点，此外，我们在无监督对象发现任务上也展示了有希望的结果。

    Sep, 2021