该研究提出了一种基于图像类别标签的新型递归粗到细语义分割框架,可用于图像分割和前景分割等任务,并且只需要一个标签来处理包含多类别对象的图像。
Dec, 2018
本研究提出了一种基于子类信息的自我监督任务方法,通过聚类生成伪子类别标签,从而优化初始响应图,提高弱监督语义分割方法的性能。
Aug, 2020
本文提出了一种基于深度卷积神经网络的学习系统,该系统对视觉相似的类别进行聚类,并学习针对每个子集的特定深度卷积神经网络特征,在测试时不需要边界框。在流行的 Caltech-UCSD 鸟类数据集上,实验证明该方法优于最近的细粒度分类方法,无需边界框,在最困难的情况下达到了 77.5% 的平均准确率,而先前的最佳表现为 73.2%。本文还表明,渐进式迁移学习使我们能够先学习通用领域的特征,然后将其调整到特定的鸟类集合中,从而提高准确性。
May, 2015
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
层次化语义分类需要预测一个层次结构树而不是单个层级的树,通过训练分类器来实现不同层级的准确性和一致性,同时结合图像分割以提高一致性和准确性,并引入树路径 KL 散度损失以强制实现跨层级的一致准确预测和预测层次结构树的准确性。
Jun, 2024
提出了一种名为 GEORGE 的方法,用于在无法获得子类标签的情况下对隐藏层次结构进行测量和缓解,在一些真实世界和基准图像分类数据集上表现良好,可提高最坏情况子类准确性长达 22 个百分点。
Nov, 2020
通过自监督框架学习适用于密集下游任务的体素级粗细粒度表示,通过平衡多尺度特征的贡献,确保学习到的表示捕捉到粗粒度和细粒度的细节,并在有限的注释数据下持续优于基准模型。
Jan, 2024
本文提出了一种新颖的深度神经网络架构,用于使用异构注释进行半监督语义分割,从而实现了分类和分割的解耦。该算法利用训练数据中的图像级和像素级类标签分别学习分类和分割网络,有效地减少了限制搜索空间并展现出优异的性能表现。
Jun, 2015
通过无监督学习,本研究提出了一种基于像素、分割区域和完整图像级别同时学习的分层图像识别方法,通过引入自适应段落令牌和图池化来实现多尺度分割,同时提高识别精度和计算效率。
Oct, 2022
通过特征级别的数据增强和协方差预测网络,我们提出了一种改善细粒度图像识别的方法,可以有效区分细分类别,提高泛化性能。
Sep, 2023