本文提出了一种基于误差定位网络来解决伪标签问题的半监督语义分割方法,该方法有效地消除了训练过程中因使用伪标签带来的性能下降风险,并实现了对不精确伪标签的鲁棒性,同时具有自训练和对比学习的天然集成能力。与现有方法相比,在 PASCAL VOC 2012 和 Cityscapes 数据集上,该方法在所有评估指标中均表现出了卓越的性能。
Apr, 2022
本文提出了一种基于区域的主动学习方法,通过新的采集策略和本地预测一致性以及负学习,旨在在域移位下实现语义分割。实验表明,我们的方法只需要很少的注释就可以接近监督性能,并且明显优于现有方法。
Nov, 2021
半监督语义分割领域伪标签方法的综述,从不同角度分类并介绍了特定应用领域的具体方法,还探讨了伪标签技术在医学图像分割中的应用,并提出了一些可行的未来研究方向来解决现有挑战。
Mar, 2024
本文提出一种基于对象挖掘的弱监督语义分割方法,该方法采用图形全局推理单元和自我修正机制,可以在非显著区域激活对象特征,进一步挖掘非显著区域的对象,并通过使用假标签的潜在对象挖掘模块减少虚假负面率。实验结果表明,在 PASCAL VOC 数据集上与当前方法相比有最先进的效果。
Mar, 2021
本文提出了基于区域级别对比和一致性学习框架 (RC^2L) 的半监督语义分割方法,通过引入区域级别损失,包括 Region Mask Contrastive (RMC) 损失、Region Feature Contrastive (RFC) 损失、Region Class Consistency (RCC) 损失和 Semantic Mask Consistency (SMC) 损失,实现了更好的稳定性和性能。在 PASCAL VOC 2012 和 Cityscapes 数据集上的实验结果表明,所提出的方法优于现有最先进方法。
本文提出了一种基于区域不确定性的抗噪半监督学习方法,通过多峰概率分布输出引入不确定性以实现抗噪学习,并在 PASCAL VOC 和 MS COCO 上的实验结果表明了该方法的卓越性能。
本研究提出了一种通过利用熵值对可靠像素和不可靠像素进行分类,再进一步将不可靠像素分配为负样本,从而对无标签数据进行半监督语义分割的有效策略
Mar, 2022
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
策略是通过使用深度强化学习对语义分割进行主动学习实现的,该方法比最有竞争力的基线数量少约 30%的附加标签数据,提高模型对不足表达类别的分类性能。
Feb, 2020
提出了一种半监督分割的新方法,使用少量标记数据和对未标记图片与参考像素匹配的方式生成分割标记,可以减少标记工作量,提高现有方法的性能和鲁棒性。
Dec, 2021