FreeCOS: 自我监督学习针对斑驳和无标签图像应用于曲线对象分割

ICCVJul, 2023

FreeCOS: 自我监督学习针对斑驳和无标签图像应用于曲线对象分割

FreeCOS: Self-Supervised Learning from Fractals and Unlabeled Images for Curvilinear Object Segmentation

Tianyi Shi, Xiaohuan Ding, Liang Zhang, Xin Yang

TL;DR本文提出了一种自监督的曲线目标分割方法，从分形和未标注图像（FreeCOS）中学习强鲁棒性和独特特征。方法包括一个新颖的分数 - FDA 合成（FFS）模块和几何信息对齐（GIA）方法，实验表明了该方法在四个公共数据集上的性能优于现有的有监督方法，自监督方法和传统方法。

Abstract

curvilinear object segmentation is critical for many applications. However, manually annotating curvilinear objects is very time-consuming and error-prone, yielding insufficiently available annotated datasets for existing supervised methods and domain adaptation methods. This paper pro

curvilinear object segmentation self-supervised method fractal-fda synthesis geometric information alignment unlabeled images

发现论文，激发创造

自监督少样本语义分割：一种无需标注的方法

借鉴谱分解方法，将图像分解问题视为图划分任务，并通过特征亲和力矩阵的拉普拉斯矩阵的特征向量分析来估计感兴趣对象的分布；提出一种新颖的自监督式 FSS 框架，不依赖于任何标注，并通过利用从支持图像获得的特征向量自适应地估计查询掩码，从而消除了手动注释的需求，特别适用于具有有限标注数据的医学图像；引入了多尺度大卷积核注意力模块，进一步提高了对支持图像提供的信息进行查询图像解码的能力，通过选择性地强调相关特征和细节，改善了分割过程并有助于更好的物体勾边；在自然和医学图像数据集上的评估结果展示了我们方法的高效性和有效性。

Jul, 2023

无监督伪装目标分割作为领域适应

本研究探讨了深度学习在无监督图像分割中的应用，特别关注了自适应伪标签生成和无监督领域自适应任务，并提出了用于无监督伪标签自适应的前景 - 背景对比自对抗域自适应流程，能够更好地实现伪标签生成和图像分割。

Aug, 2023

粗糙更好？一种利用未筛选图片自监督学习的新管线

该研究提出了一种新的场景图像自监督学习（SSL）流水线，可以成功地从未被筛选过的场景数据集（如 MS-COCO）中学习高质量的视觉表示，并且不需要依赖于外部的以物体为中心的数据集，从而更好地应用到非对比性 SSL 方法中。

Jun, 2023

完全自监督学习用于语义分割

我们提出了一个基于自我监督的完全自我监督语义分割框架，其中包括金字塔全局引导培训策略和上下文感知嵌入模块等组成部分，显著改善了 COCO-Stuff 数据集上物品和物品分类的性能。

Feb, 2022

自监督上下文学习用于工业缺陷的视觉检测

本文提出了一种新颖的自监督学习算法，通过解决著名的拼图问题来设计一个优化的编码器，以在工业产品中检测纹理和物体缺陷，实验结果表明我们的方法在广泛使用的 MVTec AD 数据集上达到了 95.8% 和 96.8% 的杰出检测和分割性能，为纹理和物体缺陷建立了最新的基准。

Nov, 2023

ShapeCodes: 将视角提升至视图网格以进行自我监督特征学习

本论文介绍了一种无监督学习方法，将三维形状信息嵌入到单视图图像表示中，通过使用单个 2D 图像的自监督训练目标，在没有人工语义标签的前提下，鼓励表示捕捉基本形状原语和语义规律，最终学习得到一个强大的表示方法，可以成功进行物体识别和 “心理旋转” 操作，成果优于相对应的其他无监督学习方法。

Sep, 2017

无监督学习视觉表示的对比方法再探

本文将需要自我学习来改进现有模型的数据集偏差性进行了深入研究，并成功地在不同类型数据集上改善了模型，同时介绍了一种具有多尺度裁剪、强数据增强和近邻策略的改进自监督学习方法，并通过 MoCo 模型在语义分割和视频实例分割任务中实现了优秀的效果。

Jun, 2021

EAGLE: 物体中心无监督语义分割的特征聚合学习

基于自监督涵盖对象中心表示学习的对象级无监督语义分割方法 EAGLE，在复杂场景中实现了精确和一致的语义分割效果。

Mar, 2024

面向无监督领域自适应的几何感知自训练方法

本文提出了一种基于几何感知的自我训练（GAST）方法，通过两种自监督几何学习任务作为特征规则化，以学习语义类别的域共享表示来提高对实际数据中基于点的几何体的未见分布的判别力。实验表明，我们的 GAST 方法可以显著优于现有的最先进方法。

Aug, 2021

基于拼图游戏的细粒度自监督学习用于医学影像分类

这篇研究论文介绍了一种用于医学图像中分类微细病变的细粒度自我监督学习（FG-SSL）方法，通过逐层分块逐渐学习模型，使细粒度拼图与规范原始图像的交叉相关性接近于单位矩阵，并应用于逐步细粒度学习以发现微小差异，该方法不依赖于非对称模型、负采样策略或批量大小，并在使用多种医学图像识别数据集的全面实验中表现出优越性能。

Aug, 2023