ICMLAug, 2023

NP-SemiSeg：当神经过程遇上半监督语义分割

PDF
TL;DR通过将神经过程（NPs）应用于半监督语义分割，我们提出了一种新的模型 NP-SemiSeg，并在公共基准数据集 PASCAL VOC 2012 和 Cityscapes 上进行了实验验证其有效性。
发现论文，激发创造
  • 基于伪标签的半监督语义分割综述

    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

  • NP-Match：当神经过程遇上半监督学习

    本文提出了一种名为 NP-Match 的新方法，将神经过程（NPs）调整为半监督图像分类任务，与基于蒙特卡罗 dropout（MC）的不确定性的 SSL 方法相比，NP-Match 在处理可靠的伪标签时减少了计算开销，在四个公共数据集上超过了 SOTA 结果，展示了 NP-Match 的有效性和其在 SSL 的潜力。

    Jul, 2022

  • 利用不可靠的伪标签进行半监督语义分割

    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

  • NP-Match：面向新型半监督学习的概率模型

    本研究介绍了一种名为 NP-Match 的新方法，使用调整后的神经过程来完成半监督图像分类任务，并通过伪标签的质量和可靠性估计不确定性，其具有计算开销小、精度高等优点，经实验证明 NP-Match 具有较好的性能和潜力。

    Jan, 2023

  • 高低层次一致性半监督语义分割

    文章提出了一种利用一些有限的像素注释数据和一些无标签数据进行半监督语义分割的方法，并在 PASCAL VOC 2012，PASCAL-Context，和 Cityscapes 数据集上实现了最新的半监督学习的最佳性能。

    Aug, 2019

  • 基于像素到分割对比学习的通用弱监督分割

    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。

    May, 2021

  • 区域不确定性量化的半监督学习来对抗噪声

    本文提出了一种基于区域不确定性的抗噪半监督学习方法，通过多峰概率分布输出引入不确定性以实现抗噪学习，并在 PASCAL VOC 和 MS COCO 上的实验结果表明了该方法的卓越性能。

    Nov, 2021

  • 通用半监督语义分割

    本文提出了一种通用的半监督语义分割框架，旨在在各种应用领域实现更低的注释和部署成本，并通过像素感知熵正则化的特征对齐目标来最小化有监督以及无监督损失，以实现在多个领域中都能使用单一模型，利用少量标记实现性能提升，同时可以处理不同领域的标签空间不同的问题。

    Nov, 2018

  • 半监督全景叙事基准化

    本文介绍了一种新颖的半监督全景叙事 grounding 方案，利用少量带标签的图文对和大量无标签对来实现竞争性性能，并通过质量基配损失调整方法提高半监督网络以克服标注有限的挑战。

    Oct, 2023

  • SSPC-Net: 半监督语义三维点云分割网络

    本文提出一种半监督的点云语义分割网络，名为 SSPC-Net，通过推断少量标注化点的标签，为无标签的点生成伪标签，采用动态标签传播方法和耦合关注机制，最终成功减少标注点，并在不同数据集上取得优秀结果。

    Apr, 2021