SmooSeg: 无监督语义分割的平滑先验
STEGO 是一种新的自监督特征提取框架,通过使用对比损失函数来加强特征聚类的紧凑性,并在 CocoStuff 和 Cityscapes 语义分割挑战中显著优于其他算法。
Mar, 2022
本文旨在通过采用对比优化目标中的预定中级先验,引入了一个两步框架来学习像素嵌入,从而解决了计算机视觉中的无监督语义表示学习问题,并证明此方法优于现有方法。
Feb, 2021
我们提出了一个用于无监督语义分割的轻量级聚类框架,基于自监督视觉变换器的注意特征,通过将这些特征聚类成少量的聚类中心,我们能够将前景和背景的图像补丁分开成不同的组。我们的框架在无监督语义分割方面展示了很大的潜力,并在 PASCAL VOC 和 MS COCO 数据集上取得了最新的成果。
Nov, 2023
该研究提出了一种在医学图像中使用的半监督图像分割方法 SS-Net,利用像素级的平滑性和类间分离来实现更好的效果。该方法在两个半监督设置下的实验结果表明了其卓越性能,并取得了最新的最佳表现。
Mar, 2022
本研究提出了一种名为语义关注网络(Semantic Attention Network,SAN)的模型,在无监督的图像语义分割(UISS)任务中采用 “语义关注(Semantic Attention)” 模块生成像素级和语义级特征,该模型具有较好的特征一致性和特征匹配性能,在多个数据集上超过已有方法的分割效果。
Nov, 2022
本研究提出新型的半监督学习策略来提高医学图像分割的形状估计性能,该方法采用多任务深度网络来同时预测语义分割和物体表面有符号距离图,并通过敌对损失来有效地捕捉形态感知特征.
Jul, 2020
本研究提出使用自我生成伪标签来捕捉未标注图像数据中的潜在信息,在同一张图像的不同数据增强生成的多个伪标签交集的一致性正则化过滤噪声伪标签,结合人工标注数据重新训练模型,并不断迭代,以此达到在复杂的零标签语义分割场景下进行广义分类的任务的最新最优结果。
Apr, 2021
本文提出了一种自监督的像素表示学习方法,通过使用从图像中提取的视觉概念(例如部件、物体和场景等具有语义意义的像素组)实现语义分割,评估了在三个数据集上学习到的像素嵌入和视觉概念。作者的实验结果表明,该方法在非监督语义分割方面取得了持续和显著的改进,并且视觉概念可以揭示图像数据集的洞见。
Mar, 2022
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