本文介绍了以往自我监督的学习方式大多聚焦于图像级的表示学习,不能为无监督图像分割等需要空间多样的表示的任务带来改进,通过自我监督学习物体部件提出了新的解决途径,并结合目前趋势的 Vision Transformer,利用稠密聚类任务进行空间标记的微调,取得了在语义分割基准测试上超过 17%-3% 的最先进结果,且在完全无监督分割方面也具有重大潜力。
Apr, 2022
本文提出了自监督深度学习方法,通过多种损失函数使分割结果既有几何的聚焦性,又能在不同物体实例之间保持语义一致性,实现即将物体分割的任务。研究表明,与现有的自监督技术相比,该方法能够产生更具语义一致性的分段,并且紧贴物体边界。
May, 2019
本研究探讨了物体分割的任务,通过使用语义分割系统和限制玻尔兹曼机的有益信息,结合 Dense CRF 标签,采用判别式方法提高了语义部分分割的性能,并在 PASCAL 数据集上展示了优越的性能。
May, 2015
通过同时提高训练过程中的精确度和多样性,我们提出的 DiverseNet 架构可以使用多头和多模型的半监督学习算法,实现与半监督学习方法相比更高的语义分割性能,并且相对于最先进的方法,我们提出的 DiverseHead 架构在参数空间上相对较轻,同时能够在所有测试数据集上获得高性能的结果。
Nov, 2023
这篇论文介绍了 Mask DINO,一种统一的物体检测和分割框架,能够通过 DOT product 技术预测出一组二进制掩模,进行各种图像分割任务(实例、全景和语义)。它能够从联合大规模检测和分割数据集中获益,并且显示了卓越的性能优势。
Jun, 2022
研究无监督发现和分割物体部分的问题,通过分离物体部分的外貌和形状表示来进一步优化分割性能,获得更一致的具有语义意义的部分。
May, 2021
该论文提出一种对域自适应物体检测领域的研究,通过引入对抗模块来加强基于单一检测器的跨域特征匹配,提高了其泛化性能和适应性,对于多种域漂移设置展现了优越的性能。
Aug, 2021
基于无监督语义分割的 PriMaPs-EM 算法能够通过将图像分解为语义有意义的掩膜,并使用随机期望最大化算法拟合类别原型,实现在各种预训练模型和数据集上竞争性的无监督语义分割结果,优化了当前最先进的无监督语义分割流水线。
Apr, 2024
本研究通过对 CNNs 的内部状态进行聚类,提出了一种无监督学习方法来发现物体的语义部件表达,即 Visual Concepts,并证明了其在物体部件检测和语义标注方面的有效性。
Nov, 2015
提出了一种自我监督深度学习方法用于共同部分分割,通过挖掘从视频中推断出的运动信息,该方法能够产生比以前的自监督共同部分分割方法更好的分割地图。
Apr, 2020