CVPRMar, 2023

SIM: 基于盒子监督的语义感知实例掩膜生成

PDF
TL;DR该论文提出了一种基于语义实例掩模的箱式监督实例分割方法，能够更好地处理对象之间的遮挡区域，并通过语义级假标签及自校正机制识别前景对象。
weakly supervisedinstance segmentationbounding boxsemantic-awarepseudo labels
发现论文，激发创造
  • 半监督自修正语义图像分割网络

    本研究介绍了一种半监督框架，通过一个辅助模型和一个自我纠正模块，在只有一小部分完全有监督图像的基础上，使用具有目标边界框标签的图像和只有目标边界框标签的图像集（称为弱集），训练出高质量的语义分割模型，这种方法比传统大量完全有监督数据模型要求的标注工作量减少～7 倍。

    Nov, 2018

  • 简单有效：弱监督实例和语义分割

    本文提出了一种无需修改分割训练过程的弱监督训练方法，通过精心设计给定边界框的输入标签，经过单一训练循环即可达到先前算法的弱监督结果并能够抵达完全监督模型的约 95% 的语义标注和实例分割质量。

    Mar, 2016

  • Box2Mask: 使用边界框进行弱监督的三维语义实例分割

    本文提出 Box2Mask 方法，利用 3D 包围盒标签进行弱监督学习，通过 Hough 投票和聚类方法实现 3D 实例分割，无需密集注释点云数据，模型在 ScanNet 测试上达到领先水平（+18 mAP@50），并在实现 3D 实例分割掩码方面取得了令人信服的结果。

    Jun, 2022

  • PM-VIS: 高性能有框标注视频实例分割

    通过多个角度利用实例框注释生成高质量的伪实例掩码，并引入两种基于高质量伪实例掩码的真实数据过滤方法，以提高训练数据集质量并改善完全监督的 VIS 方法性能。通过整合掩码损失到 IDOL-BoxInst 中，我们的 PM-VIS 模型在实例掩码预测方面表现出较强能力，在 YouTube-VIS 2019、YouTube-VIS 2021 和 OVIS 验证集上取得了最新的最佳性能，显著缩小了基于框监督和完全监督的 VIS 方法之间的差距。

    Apr, 2024

  • 弱监督语义和实例分割的边框归因映射

    本研究利用训练的物体检测器的行为高级信息，寻求影响物体检测器结果的最小区域，形成 bound box attribution map（BBAM)。该方法基于伪标注数据进行弱监督的语义及实例分割，能提高 PASCAL VOC 和 MS COCO 数据集的分割结果。

    Mar, 2021

  • 弱监督和半监督全景分割

    这篇论文提出了一种弱监督的模型，能够同时执行语义分割和实例分割任务，并使用图像级别标签弱监督 “stuff” 类别的分割，以及使用边界框弱监督 “thing” 类别的分割。通过分析注释质量和预测性能之间的关系，可以对数据集的创建有所启示。

    Aug, 2018

  • 预算感知半监督语义与实例分割

    本文研究了半监督分割方法，与之前的方法相比，本文的方法在标注预算方面有了重大突破，在使用低标注预算时，我们的方法在语义与实例分割方面表现优于弱监督方法，并在较小的标注成本下优于以往的半监督方法。同时，我们通过考虑总的标注预算，将弱监督和半监督方法结合在一起，从而更公正地比较各种方法。我们在 Pascal VOC 基准测试上展示了结果。

    May, 2019

  • DiscoBox: 从框注释到弱监督实例分割与语义对应

    使用边界框监督，以结构化 teacher 模型为指导，共同学习实例分割和语义对应的 DiscoBox 框架，同时又能为密集对比学习提供正 / 负的对应对，用以监督网络任务实现物体掩模细化和类内对象间的密集对应，并取得了和有监督方法相当的 37.0% 的 COCO 实例分割性能和最新的 PASCAL VOC12 以及 PF-PASCAL 的最高弱监督结果的实时推理。

    May, 2021

  • 伪掩模增强的物体检测

    本文提出一种基于弱监督实例级别分割网络的伪真实目标掩模递归估计和自顶向下分割反馈来提高目标检测性能的方法。

    Mar, 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