Sep, 2023

背景激活抑制用于弱监督物体定位和语义分割

PDF
TL;DR使用仅有图像级标签的弱监督对象定位和语义分割方法，该论文引入了一个前景预测图（FPM）的新范例，通过生成 FPM 实现像素级定位；通过观察发现，随着前景掩模的扩大，交叉熵收敛为零（当前景仅覆盖对象部分时），激活值持续增加（直至前景掩模扩展到对象边界），因此，提出了一种背景激活抑制（BAS）方法，通过抑制背景激活值来学习更多对象区域；该方法在 CUB-200-2011、ILSVRC、PASCAL VOC 2012 和 MS COCO 2014 数据集上，实验表明相较于基线方法有显著和一致的改进效果，并达到最先进的弱监督语义分割性能。
weakly supervised object localizationforeground prediction mapactivation valuebackground activation suppressionweakly supervised semantic segmentation
发现论文，激发创造
  • 弱监督物体定位的背景激活抑制

    本篇论文提出一种 Background Activation Suppression（简称 BAS）的方法来实现弱监督对象定位（WSOL）任务，在该方法中使用的前景预测图（FPM）和 Activation Map Constraint module（AMC）可从多个方面优化定位结果。实验证明，与以往方法相比，BAS 在 CUB-200-2011 和 ILSVRC 数据集上均达到了显著的改进。

    Dec, 2021

  • 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

  • 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

  • 弱监督时间动作定位的背景抑制网络

    本文提出背景抑制网络 (BaS-Net) 来解决仅具备视频层级标签、而没有帧级标签的弱监督时序动作定位问题；该网络结构采用两个分支和非对称训练策略来抑制背景帧的激活，有效地提高了动作的定位表现。实验验证表明，BaS-Net 在 THUMOS'14 和 ActivityNet 等基准测试上的表现优于当前最先进的方法。

    Nov, 2019

  • 弱监督语义分割的细粒度背景表示

    该研究提出了一种简单的精细背景表示方法，通过开发一个新颖的原始负区域感兴趣（NROI）来捕捉细粒度的背景语义信息，并进行像素与负区域对比，从而区分混淆的背景像素，实现了在各种弱监督语义分割设置下的新的最先进结果。

    Jun, 2024

  • 基于内置前 / 背景先验的弱监督语义分割

    在语义分割方面仅使用图像标签的弱监督方法在像素级注释方面费时昂贵。本文提出了一种不使用外部物体模块的新方法，使用卷积层的激活并通过稠密 CRF 平滑来从预训练网络本身中提取标记，以实现更精确地语义分割。此外，我们介绍了一种新的廉价的弱监督方法，可提高分类效果。

    Sep, 2016

  • 弱监督语义分割的空间结构约束

    利用空间结构约束减轻关注扩展在弱监督语义分割中的非预期对象过度激活的问题，并通过 CAM 驱动重建模块和激活自调节模块来实现更好的对象定位和分割结果。

    Jan, 2024

  • 弱监督物体定位的组合类激活图

    该论文提出了一种名为 NL-CCAM 的弱监督目标定位方法，通过使用组合类别激活映射，将非局部模块集成到现有的基础网络中，在代表性的目标定位基准测试中取得了卓越的性能，同时证明了所提出方法的广泛适用性。

    Oct, 2019

  • 弱监督语义分割的跨语言图像匹配

    本文提出了一种基于 CLIP 模型的跨语言图像匹配框架 CLIMS，通过自然语言监督以激活更合理的物体区域和抑制相关的背景区域，并使用一组预定义的类相关背景文本描述来防止模型激活相关背景区域，在 PASCAL VOC2012 数据集上进行了充分的实验，该方法明显优于之前的最先进方法。

    Mar, 2022

  • 弱监督物体定位的双阶段学习

    本文提出了一种基于两阶段学习的方法，通过使用全卷积网络来找到最具区分性的部分，再利用条件反馈抑制最显著的部分以找到次重要的部分，最终实现对整个目标区域的捕捉。采用该训练方案可以有效解决弱监督语义分割、显著区域检测和目标位置预测等任务中只关注图像中最重要部分的问题。

    Aug, 2017