Jun, 2023

食品实例分割上的增量学习

PDF
TL;DR本文提出一种增量学习框架来优化模型性能，其核心是一个能够预测待标记样本难度的新型难度评估模型。该框架将数据收集过程分为多个阶段，将标注预算分配给最困难的样本，并将满足评估模型某一标准的未标记样本用于生成伪标签，最终将手动标签和伪标签发送给训练数据以改善实例分割模型。在四个大规模食品数据集上验证本文提出的框架优于当前增量学习基准，并与完全注释样本的模型达到竞争性能。
food instance segmentationdeep learning networksincremental learningdifficulty assessment modelpseudo-labels
发现论文，激发创造
  • 语义分割的增量学习技术

    本研究旨在解决深度学习架构在面临新增任务时由于灾难性遗忘导致性能下降的问题，提出了一种知识蒸馏方法来保留以前学习过的类别信息，并同时学习新类别，本文在 Pascal VOC2012 数据集上进行了实验验证其有效性。

    Jul, 2019

  • 图像标签语义分割的增量学习

    该论文提出了一种新的语义分割框架，采用弱增量学习，使用辅助分类器和软标签更新模型，从图像级别标签中学习新类别的分割，可有效减少由像素逐像素标注带来的时间和经济成本。

    Dec, 2021

  • 基于注意力机制的多实例学习的食物图像分类和分割

    提出了一种无需像素级注释进行食物图像分类和语义分割模型训练的弱监督方法，该方法基于多实例学习和基于注意力机制的方法，实现了食物类别的分类和语义分割，并在 FoodSeg103 数据集上进行了实验验证和探索了注意力机制的性能特性。

    Aug, 2023

  • 基于图像的多任务饮食评估：食物识别和份量估算

    本研究提出了一种端到端的多任务学习框架，可以同时实现食品分类和食品份量估计，通过使用 L2 范数的软参数共享和特征适应方法，提高了图像饮食评估的性能和预测准确率。

    Apr, 2020

  • 一种无分类器的可扩展医学图像分割的增量学习框架

    通过引入新的分割范式，我们提出了一种基于对比学习的分类器自由网络，能够实现可变数量类别的分割，并结合知识蒸馏的增量学习框架，解决了医学图像分割中类别和领域的增量学习问题。实验证明了该方法在处理不同类别数量和增量学习中的优越性。

    May, 2024

  • 一种用于在线增量学习语义分割的 EM 框架

    本文提出了一种基于期望最大化 (EM) 框架的增量学习策略，用于快速适应深度分割模型的新类别，具有更好的效果和稳定性，并应用于 PASCAL VOC 2012 和 ADE20K 数据集上进行验证。

    Aug, 2021

  • 学新知，承旧业：为预训练模型增加新的解剖结构和影像

    本文提出了一种应用于医学图像分割的增量学习框架，并提出了用于选择代表性数据的新方法，使用 MR 图像在不同情景下进行了比较评估，证实了使用该方法可以增加学习能力。

    Jun, 2018

  • 大规模遥感数据语义分割的增量学习

    本研究提出一种增量学习方法，可在不影响之前学习到的类别的情况下，学习新类别的语义分割，同时，利用记忆网络来记忆之前学习到的信息。

    Oct, 2018

  • 语义分割的类增量学习：无需再利用旧数据或旧标签

    本文提出了一种对语义分割算法进行增量式学习的技术，该技术可以在不使用模型最初训练的标记数据的情况下，进行类别的增量式学习，以便于在开发需要新类的自治驾驶系统时使用。我们的实验结果表明，我们提出的技术可以超过同类算法，并有助于提高各类别的性能。

    May, 2020

  • 基于概率的深度学习实例分割

    本文提出了一种泛用方法来获得无需提议的实例分割模型内在的不确定性估计，并且评估了在 BBBC010 C. elegans 数据集上的可行性和有效性，并模拟了这些不确定性估计在指导的校对中的潜在用途。

    Aug, 2020