Aug, 2023

分支互相促进的端到端弱监督语义分割

HTML
PDF
TL;DR我们的研究通过采用双向监督机制，将分类和分割两个支路视为多样性生成分割图的方法，并增加其相互作用，以实现相互促进。我们的方法在两个支路的输出上强制一致性，使得分割支路也能为分类支路提供反馈并提高定位种子的质量。此外，我们的方法还设计了两个支路之间的交互操作，以交换知识并相互协助。实验证明我们的方法优于现有的端到端弱监督分割方法。
发现论文，激发创造
  • 利用网络爬虫视频的弱监督语义分割

    本文提出一种基于图像级别类别标签的弱监督语义分割算法，利用Web存储库中有关目标类别标签的视频检索并从检索到的视频中生成分割标签以模拟语义分割的强监督，该算法明显优于现有的同等监督方法，甚至与依赖额外标注方法的方法一样有竞争力。

    Jan, 2017

  • 利用先验网络知识学习弱监督语义分割

    本文介绍了一种使用图像标签进行弱监督语义分割的模型，利用图像标注作为注意机制来识别图像中的语义区域，并描述了如何将此掩模生成策略纳入完全端到端可训练的过程中，其中网络同时学习对图像进行分类和分割，实验表明，利用生成的类特定掩模可以超越只使用图像标记的最新弱监督语义分割方法甚至某些利用额外监督或训练数据的模型。

    Apr, 2018

  • 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

  • 可靠性至关重要：一种端到端的弱监督语义分割方法

    本文提出了一种基于图像级别信息的全新弱监督语义分割方法，该方法不需要使用复杂的伪标签生成过程，而是利用图像分类信息产生可靠的像素级别的注释，然后使用全新的稠密能量损失函数和端到端网络进行图像分割。通过拓展基于图像分类信息产生的像素级别注释的的一步法到两步法模型，我们在 Pascal VOC 数据集上达到了最新的最高水平性能。

    Nov, 2019

  • 图像标签的单阶段语义分割

    本文探讨了使用弱监督方法进行语义分割的可行性，提出了一种基于单阶段自我监督学习的网络模型，使用图像级注释训练语义掩码取得了与复杂流水线相竞争的结果，优于早期的单阶段方法。

    May, 2020

  • 挖掘跨图像语义进行弱监督语义分割

    该论文研究了只从图像级别监督中学习语义分割的问题，引入了两个神经协同注意力机制来补充地捕捉跨图像的语义相似性和差异性，提高了物体模式学习和语义分割的性能，并在不同的WSSS设置下实现了最先进的性能。

    Jul, 2020

  • 基于子类探索的弱监督语义分割

    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

  • 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

  • 增强弱监督分割的高保真伪标签

    该论文提出了一种基于图片分类网络和概率解释CAM的图像级弱监督语义分割方法来改善先前弱监督下模型的性能，通过提高区域相似性和轮廓质量来增强几乎任何以前的WSSS方法，并在PASCAL VOC数据集上进行了演示。

    Apr, 2023

  • CoBra: 强大的弱监督语义分割的补充分支结合类别和语义知识

    在这项工作中，我们提出了一种新的双分支框架——CoBra，它由两种不同的架构组成，为每个分支提供有价值的类别（来自CNN）和语义（来自ViT）的互补知识，以显式融合它们的补充知识，并促进一种新型的额外模块级监督。通过CoBra，我们的模型将CNN和ViT的互补输出融合在一起，有效地融合了类别和语义信息，从而创建出具有鲁棒性的伪掩模，该模型在PASCAL VOC 2012数据集上表现出了最先进的弱监督语义分割结果。

    Feb, 2024