Mar, 2023

利用隐藏正样本进行无监督语义分割

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 带交叉一致性训练的半监督语义分割

    本文提出了一种新型的基于交叉一致性的半监督语义分割方法，其中共享编码器和主解码器进行有监督训练，利用无标签数据来提高编码器的表示，该方法简单易懂，并且在多个数据集上实现了最先进的结果。

    Mar, 2020

  • 自我传播：探索像素级一致性用于无监督视觉表示学习

    本文提出了基于像素级别前提任务来学习密集特征表示的方法，并使用此方法在目标检测和语义分割数据集上超越了目前最好的方法

    Nov, 2020

  • 探索跨图像像素对比用于语义分割

    提出了一个利用对比学习实现像素级别度量学习的语义分割框架，能够从全局上探索标记像素的结构，并在多个数据集上带来了显著的性能改进。

    Jan, 2021

  • 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

  • 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

  • 通过提炼特征对应关系进行无监督的语义分割

    STEGO是一种新的自监督特征提取框架，通过使用对比损失函数来加强特征聚类的紧凑性，并在CocoStuff和Cityscapes语义分割挑战中显著优于其他算法。

    Mar, 2022

  • 重新思考无监督图像语义分割中的对齐和一致性

    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。

    Nov, 2022

  • 简洁高性能的纯视觉变换语义分割

    通过对简单的Vision Transformer（ViT）模型进行高性能的分割实验，本文提出了PlainSeg和PlainSeg-Hier两种简洁高效的模型，包括了最后一个特征图的3x3卷积和Transformer编码器或解码器，并结合了高分辨率特征和更大的学习率，实验证明这些模型在语义分割中具有高性能和高效率，是评估基础模型转移能力的有力工具。

    Oct, 2023

  • BRAVO语义分割挑战赛在UNCV2024中的结果

    本研究解决了语义分割模型在现实扰动和未知分布外场景下的可靠性评估问题。提出的统一BRAVO挑战明确了语义可靠性和分布外可靠性两类标准，结果揭示了大规模预训练和简约架构设计在提升模型鲁棒性与可靠性方面的重要性。

    Sep, 2024

  • UniMatch V2：推动半监督语义分割的极限

    本研究解决了半监督语义分割中对过时ResNet编码器的依赖，提出将基线从ResNet编码器切换到更强大的ViT编码器，以提高分割性能。研究表明，更新编码器（即使使用更少的参数）能带来显著的性能提升，同时推出的UniMatch V2在训练成本上减轻并提供更好的结果，呼吁关注更具挑战性的基准数据集。

    Oct, 2024