ICCVSep, 2023

基于公式驱动的监督学习的语义分割

PDF
TL;DR我们提出了 SegRCDB，这是一种新型的用于语义分割的预训练数据集，它基于公式驱动的监督学习，在没有真实图像或手动语义标签的情况下实现了语义分割的预训练，为大规模数据集的创建和调查提供了可能性。
pre-trainingsemantic segmentationsegrcdbsupervised learninglarge-scale datasets
发现论文，激发创造
  • 有限数据注释的自监督 RCNN 用于医学图像分割

    本文提出一种基于自监督预训练的医学图像分析深度学习训练策略，通过将不同扭曲应用于图像的随机区域，预测扭曲的类型和信息的损失，并使用改进的 Mask-RCNN 体系结构定位扭曲位置和恢复原始图像像素，将该方法用于分割任务，能够提高 Dice 分数 20%。

    Jul, 2022

  • SGRec3D: 自主学习的 3D 场景图通过对象级场景重建

    提出了 SGRec3D，这是一种用于预先训练三维场景图预测的新方法，无需对象关系标签，可以利用大规模三维场景理解数据集进行训练。在细调期间只使用 10% 标记数据集便可优于未进行预先训练的模型。

    Sep, 2023

  • 基于上下文引导的空间特征重建用于高效语义分割

    这篇论文提出了一种基于上下文引导的空间特征重建的高效而竞争力强的分割框架 CGRSeg，包括矩形自校准模块、动态原型引导头等，经过在 ADE20K、COCO-Stuff 和 Pascal Context 基准上的广泛评估，取得了语义性能的最新成果。

    May, 2024

  • 半监督自修正语义图像分割网络

    本研究介绍了一种半监督框架，通过一个辅助模型和一个自我纠正模块，在只有一小部分完全有监督图像的基础上，使用具有目标边界框标签的图像和只有目标边界框标签的图像集（称为弱集），训练出高质量的语义分割模型，这种方法比传统大量完全有监督数据模型要求的标注工作量减少～7 倍。

    Nov, 2018

  • 区域级别的对比一致性学习用于半监督语义分割

    本文提出了基于区域级别对比和一致性学习框架 (RC^2L) 的半监督语义分割方法，通过引入区域级别损失，包括 Region Mask Contrastive (RMC) 损失、Region Feature Contrastive (RFC) 损失、Region Class Consistency (RCC) 损失和 Semantic Mask Consistency (SMC) 损失，实现了更好的稳定性和性能。在 PASCAL VOC 2012 和 Cityscapes 数据集上的实验结果表明，所提出的方法优于现有最先进方法。

    Apr, 2022

  • 通过自监督学习从无标签 RGB-D 视频中学习物体分割

    该论文提出了一个自超视自学的物体分割系统，其训练过程利用了点云的超分割结果，利用图匹配算法和点云配准结合检测出 3D 假标签上的再现物体模式并生成 2D 掩码。实验证明，该方法在真实和合成的视频数据集上的表现优于现有的无监督方法。

    Apr, 2023

  • 增强自监督学习的医学图像分割本地化区域对比

    本研究提出了一种新颖的对比学习框架，它将本地化区域对比技术（LRC）融入到现有的半监督自监督预训练方法中，以增强医学图像分割的性能。通过在三个多器官分割数据集上的大量实验，我们证明在受限注释的情况下将 LRC 集成到自监督方法中可以显著提高分割性能。此外，我们还表明 LRC 也可以应用于完全监督的预训练方法以进一步提高性能。

    Apr, 2023

  • 使用强数据增强的半监督语义分割简单基线

    该研究提出了一种基于半监督学习的语义分割框架，采用了强数据增强和分布特定批处理归一化技术，同时设计自校正损失提高噪声抗干扰能力，在 Cityscapes 和 Pascal VOC 数据集上实现了领先水平的结果。

    Apr, 2021

  • 完全自监督学习用于语义分割

    我们提出了一个基于自我监督的完全自我监督语义分割框架，其中包括金字塔全局引导培训策略和上下文感知嵌入模块等组成部分，显著改善了 COCO-Stuff 数据集上物品和物品分类的性能。

    Feb, 2022

  • UCC：基于不确定性引导的跨头部共同训练半监督语义分割

    提出了一种称为 UCC 的新型学习框架，它通过强弱数据增强、动态交叉集复制粘贴和不确定性引导的重新加权模块，结合了一致性和自我训练的优势，从而实现了半监督语义分割。在 Cityscapes 和 PASCAL VOC 2012 数据集上进行了广泛的实验，证明了 UCC 方法的有效性和优越性。

    May, 2022