May, 2023

基于多尺度注意融合的自训练框架用于弱监督语义分割

HTML
PDF
TL;DR提出一种利用多尺度类别感知度量融合的自训练方法，采集不同尺度的注意力图信息并应用去噪和激活策略来增强潜在区域和减少嘈杂区域，最后利用优化后的注意力图重新训练模型，实验证明该方法可以从多尺度图像提取丰富的语义信息，并在PASCAL VOC 2012验证集和测试集上实现了72.4%的平均交并比得分。
发现论文，激发创造
  • 关注尺度：尺度感知的语义图像分割

    本论文研究了怎样在卷积神经网络中实现多尺度特征表示，提出了一种注重对每个像素位置进行加权的注意力机制。通过对三个大型数据集的广泛实验，证明了该方法的有效性。

    Nov, 2015

  • 弱监督语义分割中发现类特定像素

    该研究提出一种发现类特定像素的方法，需要通过正确地结合显著性和注意力图才能获得可靠的线索，该方法将二者的可靠性信息组合使用，以训练卷积神经网络以在弱监督语义分割任务和图像级分类任务上实现更好的性能，实验证明，该方法在 PASCAL VOC12 数据集上取得了比以往最好结果更好的成绩。

    Jul, 2017

  • 引导式关注推理网络：告诉我该看哪里

    利用弱监督学习和注意力图，我们提出了一种新的建模方法，使得注意力图成为端到端训练的自然组成部分，并通过直接从网络本身探索监督来直接在这些图上提供自我指导，从而成功地解决了以前方法中的缺点，并在语义分割任务上优于现有技术。

    Feb, 2018

  • 基于显著性引导的自注意力网络用于弱监督和半监督语义分割

    该论文提出一种基于自注视网络和显著性先验的半监督语义分割模型，能够准确地定位并分割图像区域，且在PASCAL VOC 2012上的表现优于目前所有其他先进方法。

    Oct, 2019

  • 层次多尺度注意力用于语义分割

    本文介绍了一种基于注意力机制的多尺度预测整合方法，其中的层次化结构能够节省大量内存，提高训练速度和模型精度，并在Cityscapes和Mapillary Vistas数据集上达到了新的最优结果。

    May, 2020

  • 弱监督语义分割的补充补丁

    本研究通过信息学理论视角，提出一种基于互补补丁表示的方法，运用三元组网络和三项规范功能实现互补补丁网络（CPN），同时借助像素-区域相关模块（PRCM）加强上下文信息，从而在PASCAL VOC 2012数据集上取得了新的最优成果以验证该方法的有效性。

    Aug, 2021

  • 从注意力中学习关联性：利用Transformer进行端到端弱监督语义分割

    本文介绍使用Transformer结合注意力机制来改善弱监督语义分割的问题，提出了Affinity from Attention和Pixel-Adaptive Refinement模块来学习和精华像素标签和相似度，本方法在多个数据集表现非常出色。

    Mar, 2022

  • L2G: 一个简单的局部到全局的知识迁移框架，用于弱监督语义分割

    本文提出了以 L2G 为核心的方法，通过本地分类网络从输入图像中随机获取多个局部路径进行注意提取，然后利用全局网络在线学习多个局部注意映射之间的互补关系，从全局视角学习对象的详细知识，从而产生高质量的注意地图，并将其直接用作语义分割网络的伪注释。

    Apr, 2022

  • 将全局上下文和局部内容耦合在一起进行弱监督语义分割

    我们提出了一种单级WSSS模型（WS-FCN），它可以捕获由相邻特征网格形成的多尺度上下文，并将低级特征中的细粒度空间信息编码到高级特征中，通过全局物体上下文和本地区域内容消除二者的限制。该模型可以有效地进行自我监督，并在PASCAL VOC 2012和MS COCO 2014数据集上实现了最先进的结果。

    Apr, 2023

  • DHR: 基于双特征的层次化重平衡方法在弱监督语义分割中的应用

    采用无监督和弱监督特征图代替传统方法，通过层次化的掩膜增强实现对弱监督语义分割（WSS）的改进，有效解决了WSS在处理较小类别时的挑战，大幅提升了WSS的性能，并在多个基准数据集上取得了显著的结果改善。

    Mar, 2024