AAAIDec, 2023

扩展与量化：使用高维空间和乘积量化的无监督语义分割

PDF
TL;DR无监督语义分割是发现和识别有意义类别而不使用任何标签的方法之一，本文提出了一种新的无监督语义分割框架（EQUSS），它结合了高维空间的好处以进行更好的聚类和产品量化以实现有效的信息压缩，并在三个标准基准测试中取得了最先进的结果。此外，我们还分析了 USS 特征的熵，这是从信息理论的角度理解 USS 的第一步。
unsupervised semantic segmentationinformation compressionclustering capabilityexpand-and-quantize unsupervised semantic segmentationentropy of uss features
发现论文，激发创造
  • 重新思考无监督图像语义分割中的对齐和一致性

    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

  • 潜空间无监督语义分割

    本文提出了一种称为 LS-USS 的新型无监督分割算法，可轻松地处理在线和批处理数据的多维时间序列，并在多个真实数据集上将其与其他现有的变点检测算法进行比较。

    Jul, 2022

  • 深度无监督图像检索的自监督产品量化

    提出了 “自我监督产品量化（SPQ）” 网络，它是一个无需标签、自我监督的深度学习图像检索方法，通过比较转换后的图像（视图）来学习深度视觉描述符和码字，分析图像的内容提取其描述性特征，实现准确的图像检索，实验表明在基准测试中得到了业内领先的结果，即使在没有有监督预训练的情况下。

    Sep, 2021

  • OMH：通过最佳匹配层次结构实现无监督语义分割的结构稀疏化

    无监督语义分割涉及在没有预定义标签的情况下对图像进行分割，以减轻广泛的人工标注负担。本文介绍了一种称为 “优化匹配层次” 的新方法，以同时解决上述问题。我们的方法的核心在于对特征空间进行结构化稀疏性约束，使得特征能够以不同的粒度编码信息。通过最优输运，我们的 “优化匹配层次” 在无监督分割性能上优于现有方法。我们的大量实验证明了利用我们的可微范式以及 “优化匹配层次” 的好处。我们将使我们的代码公开可用。

    Mar, 2024

  • 大规模无监督语义分割

    该研究提出了一个新的大规模无监督语义分割的问题（LUSS），并创建了一个基准数据集来帮助研究。该基准数据集名为 ImageNet-S，包含 120 万个训练图像和 50K 高质量的语义分割注释进行评估。此外，研究人员还提出了一种简单而有效的方法，可用于大规模无监督语义分割，并且公布了代码和基准数据集。

    Jun, 2021

  • EAGLE: 物体中心无监督语义分割的特征聚合学习

    基于自监督涵盖对象中心表示学习的对象级无监督语义分割方法 EAGLE，在复杂场景中实现了精确和一致的语义分割效果。

    Mar, 2024

  • 通用半监督语义分割

    本文提出了一种通用的半监督语义分割框架，旨在在各种应用领域实现更低的注释和部署成本，并通过像素感知熵正则化的特征对齐目标来最小化有监督以及无监督损失，以实现在多个领域中都能使用单一模型，利用少量标记实现性能提升，同时可以处理不同领域的标签空间不同的问题。

    Nov, 2018

  • 图像搜索和检索的端到端监督产品量化

    该研究提出了 Deep Product Quantization（DPQ）技术，通过学习二元表示，以图像检索和分类为例，具有与 Product Quantization 方法类似的计算复杂度和存储空间，并在多项检索和分类实验中取得了最新的卓越结果。

    Nov, 2017

  • 多视图共分割和聚类变换器的无监督分层语义分割

    本文提出了一种基于像素特征学习的数据驱动的无监督分层语义分割方法，使用同一图像的多视角协同分割来启动特征学习，加入粗细层次间的聚类变换器以确保组织层次间的语义一致性，该方法被称作 'Hierarchical Segment Grouping'，在五个主流目标和场景测评基准上表现良好。

    Apr, 2022

  • U3DS$^3$: 无监督的三维语义场景分割

    针对任何整体三维场景，本论文提出了 U3DS$^3$ 作为一个完全无监督的点云分割方法，通过利用点云的固有信息来实现全三维场景分割，并且在 ScanNet、SemanticKITTI 和 S3DIS 数据集上提供了最新的研究成果和具有竞争力的结果。

    Nov, 2023