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
本文提出了一种基于预测不确定性纠正伪标签学习的无监督语义分割自适应方法,通过模型输出语义分割预测和预测的不确定性,利用预测的方差建模估计不确定性,并将其纳入优化目标,从而动态地根据不同的置信度阈值纠正噪声伪标签,显著提高了在三个基准测试集上的性能。
Mar, 2020
本文提出一种新的基于不确定性估计的框架用于医学图像分割任务,以突出难以分类的像素,并提高深度神经网络的泛化能力。实验结果表明,该方法优于现有技术。
May, 2023
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
本文提出了一种利用伪标签进行半监督语义分割训练的策略,通过合理融合不同来源和强数据增强来生成实验结果验证有效性。
Oct, 2020
通过采用基于不可靠伪标签的半监督视频语义分割方法,并使用教师网络模型和学生网络模型进行集成,本文在视频场景解析中取得了较高的 mIoU 分数,并在 CVPR 2024 的 Video Scene Parsing in the Wild Challenge 中获得了第一名。
Jun, 2024
利用多个伪标签进行半监督医学图像分割,可以提高模型性能和泛化能力。验证结果显示,这种新方法在几个医学图像数据集上的表现明显优于现有方法。
May, 2024
本文提出的伪标签辅助点云分割方法,可使用非常少的弱标签 (稀疏采样的) 以较低的标注成本获得与全监督方案相同的结果,并且提出了自适应阈值策略来生成基于预测概率的伪标签进行学习。实验证明,本方法在 ISPRS 3D 语义标注基准数据集上取得了 83.7% 的整体准确率和 70.2% 的平均 F1 分数。
May, 2021
通过仅在稀疏像素位置提供标签,深度神经网络可以实现良好的语义分割性能,结合主动学习机制和高效注释策略可以大大减少标注成本,并在 CamVid,Cityscapes 和 PASCAL VOC 2012 数据集上进行了实验证明了相当可比的性能。
Apr, 2021
本研究基于半监督度量学习方法,提出了四种对应关系来捕捉低 - level 图像相似性、语义标注、共现和特征亲和力。这些节点可以从任何部分注释的训练图像中以数据驱动的方式进行学习,因此,该模型不仅适用于弱监督分割中标记的像素,还适用于未标记的像素。