Apr, 2023

MARS：基于模型无关的有偏目标去除技术的弱监督语义分割

PDF
TL;DR我们提出了一个全自动 / 模型不可知的偏置消除框架 MARS，使用无监督技术的语义一致特征来消除伪标签中的偏置对象，在 PASCAL VOC 2012 和 MS COCO 2014 等数据集上取得了新的最先进结果。
weakly-supervised semantic segmentationbiased objectsmarsunsupervised techniquepascal voc
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

  • 对抗性场景编辑：弱监督下的自动物体去除

    本文旨在研发一种自动化、不需要交互即可实现目标物体移除的模型，其基于生成对抗网络框架，利用图像级别标签和非配对数据进行训练。通过两个关键贡献：一个由掩膜生成器和图像修复器组成的两阶段编辑器体系结构，以及一种基于 GAN 的先验模型，该模型能灵活地整合物体形状知识。我们在两个数据集上进行实验表明，该方法能够有效地去除各种不同的物体，仅需要较弱的监督学习。

    Jun, 2018

  • 分割就是一切

    本文提出了第一个无 anchor 和 NMS 的目标检测模型 WSMA-Seg，利用分割模型实现精确和稳健的目标检测，WSMA-Seg 使用多模态注释，开发了一种基于运行数据的跟踪算法来追踪物体轮廓，并提出了多尺度池化分割模型 (MSP-Seg)，实验结果表明该方法优于最先进的检测器。

    Apr, 2019

  • 学习绕道：弱监督语义分割的快速通道缓解增强

    本文提出了用于弱监督语义分割的快捷方式缓解增强方法（SMA），通过生成在训练数据中未见的对象 - 背景组合的合成表示来减少快捷方式特征的使用，在 PASCAL VOC 2012 和 MS COCO 2014 数据集上实现了语义分割结果的改进性能。

    May, 2024

  • 遥感数据的去偏学习

    我们提出了一种针对遥感数据的高效半监督学习方法，通过适应 FixMatch 框架以及消除训练数据中的偏差，使用已标记数据的 30% 在遥感数据集上相较于基准监督学习方法提供了 7.1% 的准确度提升，以及相较于监督学习的最新方法 CDS 提供了 2.1% 的准确度提升。

    Dec, 2023

  • 实际单一图像中的无监督物体分割：前景还是泡影？

    本文研究了从单幅图像进行无监督物体分割的问题，通过系统地研究现有无监督模型在具有挑战性的现实世界图像上的有效性，发现现有无监督模型在真实世界的图像上无法有效地分割普通物体，因此需要在网络设计中利用更明确的对象性偏差。

    Oct, 2022

  • 火星图像分类和分割的半监督学习

    本论文介绍了一种半监督机器视觉框架，使用对比学习和注释数据来有效地解决在火星图像数据的分类和分割任务中面对的挑战，并通过在有标注和无标注数据上的学习来提高模型性能和优化处理火星数据的效果。

    Jun, 2022

  • 弱监督语义分割的背景感知池化和噪声感知损失

    本文提出了一种使用边界框标注的弱监督语义分割方法，采用背景感知池化与噪声感知损失函数，可以在 PASCAL VOC 2012 数据集上比现有技术有更好的语义分割效果。

    Apr, 2021

  • 基于 SAM 伪标记和多尺度特征分组的弱监督隐蔽目标分割

    提出一种用于弱监督下的隐蔽物体分割的方法，利用多尺度特征分组模块处理内在相似性问题，并采用 Segment Anything Model 和基于熵的像素加权策略进行模型训练，同时应用基于熵的图像选择策略来减轻低质量分割蒙版的影响，实验证明该方法在各种 WSCOS 任务上取得了最先进的性能。

    May, 2023

  • 通过微注释提高弱监督目标定位的准确性

    本文提出了一种通过特定注释和深度网络中间表示的聚类与标签分配来改善弱监督下物体定位失败的方法，并在 ILSVC2014 和 PASCAL VOC2012 数据集上得到了显著改进的结果。

    May, 2016