MMJan, 2024

弱监督语义分割的问题 - 答案跨语言图像匹配

PDF
TL;DR我们提出了一种基于问题回答跨语言图像匹配框架，利用视觉语言基础模型来最大化对图像的基于文本的理解，并引导激活图的生成，以解决现有激活地图方法在目标物体区域低激活和背景区域误激活的问题。
class activation mapweakly supervised semantic segmentationquestion-answer cross-language-image matchingvision-language foundation modelactivation maps
发现论文，激发创造
  • 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

  • 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

  • 通过匹配局部和完整特征来改进定位的 Puzzle-CAM

    提出了一种新的方法，Puzzle-CAM，用于在使用图像级监督的情况下，通过最小化从分离补丁和整个图像的特征之间的差异来发现对象中最集成的区域，以激活对象的整体区域。在 PASCAL VOC 2012 测试数据集上，Puzzle-CAM 的表现优于以前的最先进的方法。

    Jan, 2021

  • 语义分割的交换分配弱监督共训练

    提出了一种采用引导类激活图的端到端弱监督语义分割模型 CoSA，通过交替学习和三种技术的引入，有效减少了类激活图的不一致性和错误，达到了优于现有方法的性能。

    Feb, 2024

  • 弱监督语义分割的注意力图背景噪声消除

    基于 Conformer 的 TransCAM 方法在弱监督语义分割中解决了背景噪声的问题，减少了背景噪声的影响，提高了伪标签的准确性。在实验中，我们的模型在 PASCAL VOC 2012 验证数据上达到了 70.5% 的分割性能，在测试数据上达到了 71.1% 的分割性能，在 MS COCO 2014 数据上达到了 45.9% 的分割性能，优于 TransCAM 方法。

    Apr, 2024

  • 弱监督语义分割的激活调制和重新校准方案

    提出了一种活动调制和校准 (AMR) 方案，利用聚光分支和补偿分支获得加权的 CAMs，提供重新校准和任务特定的概念来提高图像级弱监督语义分割的性能。

    Dec, 2021

  • 基于像素原型对比的弱监督语义分割

    本文提出了一种基于像素级原型对比度的弱监督语义分割方法，通过两种直观的先验知识，对图像的不同视角和单个视角内进行执行，旨在实施跨视图特征语义一致性规则，并促进特征空间的内部（间）类一致性（离散度），从而提高了两个强基线模型的精度，并在 PASCAL VOC 2012 上实现了新的最先进水平。

    Oct, 2021

  • COMNet: 弱监督语义分割中的共现匹配

    本文提出了一种新颖的 Co-Occurrent Matching Network（COMNet），可以提升 CAM 的质量，并强制网络关注整个目标的各个部分，从而有效提高基线模型的性能并达到最新的最佳性能。

    Sep, 2023

  • 增强弱监督分割的高保真伪标签

    该论文提出了一种基于图片分类网络和概率解释 CAM 的图像级弱监督语义分割方法来改善先前弱监督下模型的性能，通过提高区域相似性和轮廓质量来增强几乎任何以前的 WSSS 方法，并在 PASCAL VOC 数据集上进行了演示。

    Apr, 2023

  • 弱监督语义分割的全对一一致性学习

    通过提出新的基于 Transformer 的正则化方法，我们改进了弱监督语义分割（WSSS）中的目标定位问题。我们引入了一种全对一的一致性正则化方法，以保持不同图像增强之间的激活强度不变，并确保在每个 CAM 中的区域之间的关联保持一致。此外，我们还引入了一种利用类令牌梯度的新型类别定位方法。我们的方法可以无缝地集成到使用 Transformer 的现有 WSSS 方法中，并在 PASCAL VOC 和 MS COCO 数据集上得到了卓越的 WSSS 性能。

    Aug, 2023