半监督语义分割遇到遮蔽建模：保真细粒度地域学习在一致性规范化中的重要性

Dec, 2023

半监督语义分割遇到遮蔽建模：保真细粒度地域学习在一致性规范化中的重要性

Semi-supervised Semantic Segmentation Meets Masked Modeling:Fine-grained Locality Learning Matters in Consistency Regularization

PDF

Wentao Pan, Zhe Xu, Jiangpeng Yan, Zihan Wu, Raymond Kai-yu Tong...

TL;DR通过提出一种新的框架，即 MaskMatch，并应用多尺度集成策略，实现了对半监督语义分割任务中细粒度局部语义的更好感知和更准确的分割。

Abstract

semi-supervised semantic segmentation aims to utilize limited labeled images and abundant unlabeled images to achieve label-efficient learning, wherein the weak-to-strong consistency regularization framework, pop

semi-supervised semantic segmentation weak-to-strong consistency regularization local semantics fine-grained locality learning multi-scale ensembling strategy

发现论文，激发创造

GuidedMix-Net：使用标记的图像作为参考学习改进伪掩码

本文提出了一种基于混合数据的指导式半监督分割方法 GuidedMix-Net，并利用标记数据指导未标记数据的学习，该方法采用特征对齐和互信息传输的方法进行特征融合，同时提出伪标签生成模块用于生成高质量伪标签，联合训练标记数据和伪标签，实验验证了该方法在各种数据集中取得了具有竞争力的分割精度和显着改进的 mIoU。

Jun, 2021

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

GuidedMix-Net：使用标记图像作为参考的半监督语义分割

利用标记信息指导非标记示例的学习，通过三个操作进行语义分割的半监督学习，包括相似标记 - 非标记图像对的插值，互信息的转移以及伪面具的泛化。在 PASCAL VOC 2012 和城市景观上的大规模实验中，与先前的方法相比，GuidedMix-Net 取得了竞争性分割准确性，并显着提高了平均交集联合（mIoU）比先前的方法高 7％。

Dec, 2021

ConMatch: 带置信度引导的连贯性正则化半监督学习

本文介绍了一种名为 ConMatch 的新型半监督学习框架，它在图像的两个强大的增强视图的模型预测之间智能地利用一致性正则化，权重由伪标签的置信度确定。该方法通过弱增强视图作为锚点，提出了新的伪标签置信度度量方法，包括非参数方法和参数方法。特别是，在参数方法中，我们首次提出在网络内学习伪标签置信度，可以端到端地与骨干模型一起训练。在现有的半监督学习中加入 ConMatch 可以持续提高性能，本文通过实验和大量的消融研究证明了 ConMatch 的有效性。

Aug, 2022

图像标签的单阶段语义分割

本文探讨了使用弱监督方法进行语义分割的可行性，提出了一种基于单阶段自我监督学习的网络模型，使用图像级注释训练语义掩码取得了与复杂流水线相竞争的结果，优于早期的单阶段方法。

May, 2020

基于双任务一致性的半监督医学图像分割

本文提出了一种双任务一致性半监督框架，以显式构建任务级别正则化而非隐式构建网络和 / 或数据层扰动 - 变换以实现医学图像分割的半监督学习，并通过两个公共数据集上的实验证明了其性能优于现有的半监督医学图像分割方法。

Sep, 2020

半监督语义分割的三阶段自我训练框架

该研究提出了一种分阶段的自我训练框架，使用伪掩模的统计信息来降低预测概率的不确定性以及通过多任务模型在一定程度上强制执行分割一致性，从而实现半监督语义分割的性能并表现出与现有方法相当。

Dec, 2020

半监督语义分割需要强大和多样化的扰动

在分析语义分割问题时，我们发现其分布没有展现出低密度区域，并将其作为解释半监督分割为何是具有挑战性的问题的原因，然后找到增强选择作为获得可靠性性能的关键，并发现这些改进后的 CutOut 和 CutMix 增强技术在标准数据集中提供了最先进的半监督语义分割结果。

Jun, 2019

高低层次一致性半监督语义分割

文章提出了一种利用一些有限的像素注释数据和一些无标签数据进行半监督语义分割的方法，并在 PASCAL VOC 2012，PASCAL-Context，和 Cityscapes 数据集上实现了最新的半监督学习的最佳性能。

Aug, 2019

使用一致性引导细节正则化学习多个表示的蒙版引导抠像

我们提出了一个新颖的辅助学习框架，利用语义分割、边缘检测和背景线检测等三个辅助任务，从不同类型的数据和注释中学习不同而有效的表示，以解决合成遮罩数据所带来的过拟合、对复杂结构对象和实际场景的泛化不足、以及背景线或纹理的干扰等挑战，我们还提出了高质量的 matting 基准，Plant-Mat，实验结果表明我们的方法优于现有的 mask-guided 方法。

Mar, 2024