Sep, 2023

BroadCAM: 面向小规模弱监督应用的结果无关类激活映射

PDF
TL;DR我们提出了一种面向小规模弱监督应用的结果无关 CAM 方法，叫做 BroadCAM，通过在各种 CNN 架构中对 VOC2012（自然图像）和 BCSS-WSSS（医学图像）进行评估，在小规模数据（不到 5％）中表现出比现有 CAM 方法更优越的性能，并且在大规模训练数据时达到 SOTA 性能，通过广泛的定性比较来证明 BroadCAM 在小规模训练数据时如何激活高类别相关特征图并生成可靠的 CAM。
class activation mappingweakly supervised semantic segmentationobject localizationsmall-scale databroadcam
发现论文，激发创造
  • 无监督对象定位和语义分割中，不考虑类别的激活映射对比学习

    该研究提出了使用无标签图像数据进行不需要图像级监督的类无关激活图生成的对比学习方法（Contrastive learning for Class-agnostic Activation Map），得到了更完整的物体区域，并应用于弱监督目标定位和语义分割中。

    Mar, 2022

  • 弱监督语义分割的类别激活图

    本文介绍了一种称为 ReCAM 的弱监督语义分割方法，通过将 softmax 交叉熵损失函数用于已收敛的 class activation map 从而生成高质量的掩膜。

    Mar, 2022

  • 基于区域分类激活图的弱监督目标定位袋装技术

    本文提出了一种名为 BagCAMs 的插入式机制，使用该机制可以让弱监督目标定位方法（WSOL）的性能得到大幅提高，并在三个 WSOL 基准测试上获得最佳表现。BagCAMs 采用了区域本地化器生成（RLG）策略来定义一组区域本地化器，并从训练有素的分类器中导出它们。

    Jul, 2022

  • F-CAM: 通过引导参数上采样生成完整分辨率的类激活地图

    该论文提出了一种基于参数化上采样的 Class Activation Mapping 方法，专注于解决卷积神经网络在弱监督条件下物体定位的问题，通过将拟合的解码器与 CNN 分类器相连，利用附加属性如图像统计和大小约束扩展和精细化对象边界，实验证明，与现有的弱监督物体定位方法相比，该方法在保证推理计算效率的同时，在 CAM 定位准确度方面获得了显著的提高。

    Sep, 2021

  • 弱监督语义分割的注意力图背景噪声消除

    基于 Conformer 的 TransCAM 方法在弱监督语义分割中解决了背景噪声的问题，减少了背景噪声的影响，提高了伪标签的准确性。在实验中，我们的模型在 PASCAL VOC 2012 验证数据上达到了 70.5% 的分割性能，在测试数据上达到了 71.1% 的分割性能，在 MS COCO 2014 数据上达到了 45.9% 的分割性能，优于 TransCAM 方法。

    Apr, 2024

  • 语义分割的交换分配弱监督共训练

    提出了一种采用引导类激活图的端到端弱监督语义分割模型 CoSA，通过交替学习和三种技术的引入，有效减少了类激活图的不一致性和错误，达到了优于现有方法的性能。

    Feb, 2024

  • 基于低层特征的激活图在线细化方法用于弱监督物体定位

    该论文提出了一个两阶段的学习框架来实现弱监督物体定位，通过低层次特征激活图实现物体的定位，并且使用加权熵损失，关注擦除和区域损失来减少激活的不确定性，该方法在 CUB-200-2011 和 ImageNet-1K 数据集上表现优秀，成为 WSOL 方面最新的国际领先方法。

    Oct, 2021

  • 通过匹配局部和完整特征来改进定位的 Puzzle-CAM

    提出了一种新的方法，Puzzle-CAM，用于在使用图像级监督的情况下，通过最小化从分离补丁和整个图像的特征之间的差异来发现对象中最集成的区域，以激活对象的整体区域。在 PASCAL VOC 2012 测试数据集上，Puzzle-CAM 的表现优于以前的最先进的方法。

    Jan, 2021

  • 弱监督语义分割的激活调制和重新校准方案

    提出了一种活动调制和校准 (AMR) 方案，利用聚光分支和补偿分支获得加权的 CAMs，提供重新校准和任务特定的概念来提高图像级弱监督语义分割的性能。

    Dec, 2021

  • 弱监督目标定位中的归一化重要性

    本文提出新的正则化方法，从而可以提高弱监督目标定位方法的性能，实验结果表明，新的方法能够在三个数据集上显著提高性能。

    Jul, 2021