May, 2023

P-NOC: 弱监督语义分割的对抗性 CAM 生成

PDF
TL;DR本研究提出了一种基于类别的对抗擦除策略，在弱监督语义分割中实现模型的正则化和提高模型性能。经实验证明，该策略可以在 Pascal VOC 2012 和 MS COCO 2014 数据集上显著提高模型的语义分割效果。
weakly supervised semantic segmentationmodel regularizationclass-specific adversarial erasingcam generating networkssemantic segmentation
发现论文，激发创造
  • 基于像素原型对比的弱监督语义分割

    本文提出了一种基于像素级原型对比度的弱监督语义分割方法，通过两种直观的先验知识，对图像的不同视角和单个视角内进行执行，旨在实施跨视图特征语义一致性规则，并促进特征空间的内部（间）类一致性（离散度），从而提高了两个强基线模型的精度，并在 PASCAL VOC 2012 上实现了新的最先进水平。

    Oct, 2021

  • 利用形状线索进行弱监督语义分割

    本研究提出了一种基于形状信息的弱监督语义分割方法，采用了新颖的改进方法去增强模型可靠性，能够在单阶段框架内迅速高效地完成训练与推理，在 PASCAL VOC 2012 数据集上的准确率超过了现有的同类方法。

    Aug, 2022

  • 增强弱监督分割的高保真伪标签

    该论文提出了一种基于图片分类网络和概率解释 CAM 的图像级弱监督语义分割方法来改善先前弱监督下模型的性能，通过提高区域相似性和轮廓质量来增强几乎任何以前的 WSSS 方法，并在 PASCAL VOC 数据集上进行了演示。

    Apr, 2023

  • 针对弱监督和半监督语义分割的反对抗操纵属性

    本研究介绍了 AdvCAM 方法，通过反对抗性的图像像素梯度扰动来提高分类分数，并引入了一种新的正则化方法来抑制与目标对象不相关的区域的错误归属，并限制已经得分较高的区域的归属度。 在 PASCAL VOC 2012 测试图像上，本研究的 AdvCAM 在弱监督和半监督语义分割方面实现了 68.0 和 76.9 的 mIoUs，分别代表了最新的技术水平。

    Mar, 2021

  • 多模式基础模型增强弱监督语义分割：一种端到端方法

    使用弱监督语义分割方法解决数据标注成本高的问题，通过借鉴视觉基础模型来学习对象边界从而提高分割结果的质量。

    May, 2024

  • 双增强变换器网络用于弱监督语义分割

    通过使用双增强变换网络和自正则化约束，为弱监督语义分割（WSSS）问题提供一种有效的解决方法，该方法通过将 CNN 和 Transformer 网络相结合进行相互补充学习，并在最终输出上进行增强来改善分割效果。在具有挑战性的 PASCAL VOC 2012 基准测试上进行的大量系统评估结果表明，该方法的有效性优于先前的最先进方法。

    Sep, 2023

  • 通过匹配局部和完整特征来改进定位的 Puzzle-CAM

    提出了一种新的方法，Puzzle-CAM，用于在使用图像级监督的情况下，通过最小化从分离补丁和整个图像的特征之间的差异来发现对象中最集成的区域，以激活对象的整体区域。在 PASCAL VOC 2012 测试数据集上，Puzzle-CAM 的表现优于以前的最先进的方法。

    Jan, 2021

  • 通过转移语义亲和力和边界实现弱监督语义分割

    本文提出了一种弱参考语义分割方法，通过在基础类别上添加像素级别的注释，来帮助在只有图像级别标签的情况下，分割新类别对象，实验证明此方法在 PASCAL VOC 2012 数据集上表现显著优于传统方法。

    Oct, 2021

  • 弱监督语义分割中的伪掩模问题

    为了解决弱监督语义分割中伪掩模生成和嘈杂伪掩模监督训练的问题，我们提出了一种新的方法，利用系数变化平滑、比例伪掩模生成、假冒欠拟合和循环伪掩模等技术，取得了 PAS-CAL VOC 2012 和 MS COCO 2014 两个语义分割数据集的最新成果，在性能方面全面超越之前的结果。

    Aug, 2021

  • 弱监督语义分割的自适应亲和力损失和错误伪标签优化

    本文提出了将多阶段方法的关联学习嵌入到单阶段模型中，引入自适应关联损失深度学习网络，考虑到伪标签中可能存在的错误，提出了一种新的标签重新分配损失函数，本方法在 PASCAL VOC 2012 数据集上实验表明，优于其他标准单阶段方法，并达到了与多阶段方法相当的性能。

    Aug, 2021