Jul, 2023

WeakPolyp: 仅对息肉分割进行边框查找

PDF
TL;DR基于边界框注释，我们提出了一种弱监督的息肉分割模型（WeakPolyp），使用 mask-to-box 转换减少粗糙标签与精确预测之间的不匹配，并通过尺度一致性损失实现密集监督，实验证明 WeakPolyp 在不需要任何遮罩注释的情况下达到了与完全监督模型相当的性能。
polyp segmentationweakly supervisedbounding box annotationsmask-to-box transformationscale consistency loss
发现论文，激发创造
  • Box2Mask: 使用边界框进行弱监督的三维语义实例分割

    本文提出 Box2Mask 方法，利用 3D 包围盒标签进行弱监督学习，通过 Hough 投票和聚类方法实现 3D 实例分割，无需密集注释点云数据，模型在 ScanNet 测试上达到领先水平（+18 mAP@50），并在实现 3D 实例分割掩码方面取得了令人信服的结果。

    Jun, 2022

  • IBoxCLA：通过改进的 Box-dice 和对比潜锚点实现的鲁棒的基于边框监督的息肉分割

    经过改进的盒式筛选方法 (IBox) 和对比潜在锚 (CLA) 的结合训练出具有鲁棒性的盒式监督模型 (IBoxCLA)，分别对位置 / 大小和形状进行学习，实现了相对于其他盒式监督方法至少 6.5% 的整体 mDice 和 7.5% 的 mIoU 的提升。

    Oct, 2023

  • BoxSnake：采用盒子监督的多边形实例分割

    本文提出了一种新的针对仅有边界框注释的多边形实例分割的端到端训练技术，称为 BoxSnake，其方法由基于点的一元损失和基于距离感知的二元损失组成，并证明了该技术在 Cityscapes 数据集上相对于基于掩码的弱监督方法具有显著优势。

    Mar, 2023

  • BoxSup: 利用边界框监督卷积神经网络进行语义分割

    本文提出了一种名为 BoxSup 的方法，通过利用 bounding box annotations 代替 human-annotated, pixel-level segmentation masks 来训练卷积网络，循环生成 region proposals 和训练卷积网络来恢复分割掩模和提高网络的准确性。这个方法在 PASCAL VOC 2012 和 PASCAL-CONTEXT 上取得了 state-of-the-art 的结果。

    Mar, 2015

  • MonoBox: 使用单调性约束进行无限度的基于框的多波束 001 001 息肉分割

    通过引入趋势性约束和自适应标签修正，提出一种新的盒子监督分割方法 MonoBox，它能够有效地克服噪声干扰而实现像素级别的分割，尤其在具有模糊边界的息肉分割任务中表现优异。

    Apr, 2024

  • 基于 Box 的类别感知区域遮罩与填充率引导损失的弱监督语义分割

    本篇论文中，我们提出了一种基于边界框监督下的弱监督下的语义分割方法，通过类别掩码模型、像素级别分割提案、填充率指导调整学习过程等手段，有效地减少错误标记造成的影响，提高了实验数据的表现。

    Apr, 2019

  • ScribblePolyp: 基于涂鸦指导的息肉分割通过双重一致性对齐

    ScribblePolyp 是一种高效的模型，用于胃肠疾病的息肉分割，并通过一种新的 scribble-supervised 方法，使用少量的注释（涂鸦标签）来减少标注成本，并提出一种两分支一致性对齐方法来为未标注的像素提供监督。

    Nov, 2023

  • 简单有效：弱监督实例和语义分割

    本文提出了一种无需修改分割训练过程的弱监督训练方法，通过精心设计给定边界框的输入标签，经过单一训练循环即可达到先前算法的弱监督结果并能够抵达完全监督模型的约 95% 的语义标注和实例分割质量。

    Mar, 2016

  • 分割就是一切

    本文提出了第一个无 anchor 和 NMS 的目标检测模型 WSMA-Seg，利用分割模型实现精确和稳健的目标检测，WSMA-Seg 使用多模态注释，开发了一种基于运行数据的跟踪算法来追踪物体轮廓，并提出了多尺度池化分割模型 (MSP-Seg)，实验结果表明该方法优于最先进的检测器。

    Apr, 2019

  • 在时间和体积数据中获取肿瘤定位的弱标注

    本研究提出了一种用于肿瘤检测和定位的高效注释策略，虽然比逐像素注释不够精确，但可以用于创建大规模的肿瘤筛查数据集。

    Oct, 2023