SFC：弱监督语义分割中的共享特征校准

Jan, 2024

SFC：弱监督语义分割中的共享特征校准

SFC: Shared Feature Calibration in Weakly Supervised Semantic Segmentation

Xinqiao Zhao, Feilong Tang, Xiaoyang Wang, Jimin Xiao

TL;DR在这项研究中，我们首次证明了训练数据中存在的长尾分布会导致通过分类器权重计算出的 Class Activation Mapping 对头部类别过度激活、尾部类别欠激活，从而降低伪标签的质量并进一步影响最终的语义分割性能。为了解决这个问题，我们提出了一种共享特征校准（Shared Feature Calibration）方法来生成 Class Activation Mapping。具体来说，我们利用携带正共享特征的类别原型，并在训练过程中使用多尺度分布加权（Multi-Scaled Distribution-Weighted）一致性损失来缩小通过分类器权重和类别原型生成的 Class Activation Mapping 之间的差距。实验结果表明，我们的共享特征校准方法显著改善了 Class Activation Mapping 的边界，并取得了最新的最优性能。

Abstract

image-level weakly supervised semantic segmentation has received increasing attention due to its low annotation cost. Existing methods mainly rely on Class Activation Mapping (CAM) to obtain pseudo-labels for training semantic segmentation models. In this work, we are the first to demo

image-level weakly supervised semantic segmentation class activation mapping long-tailed distribution shared feature calibration multi-scaled distribution-weighted consistency loss

发现论文，激发创造

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

CVFC: 跨视图特征一致性基于注意力的病理图像弱监督语义分割

提出了一种基于注意力机制的跨视图特征一致性端到端伪掩膜生成框架（CVFC），通过三个分支的联合框架，使用多尺度集成特征图生成类激活图（CAM），并通过特征一致损失和特征交叉损失对 CVFC 的参数进行优化，最终在 WSSS4LUAD 数据集上取得了 IoU 为 0.7122 和 fwIoU 为 0.7018 的结果，分别优于 HistoSegNet、SEAM、C-CAM、WSSS-Tissue 和 OEEM。

Aug, 2023

弱监督语义分割的类别激活图

本文介绍了一种称为 ReCAM 的弱监督语义分割方法，通过将 softmax 交叉熵损失函数用于已收敛的 class activation map 从而生成高质量的掩膜。

Mar, 2022

猎取属性：弱监督语义分割的上下文原型感知学习

通过引入原型学习理论，利用原型意识来捕捉实例的多样化和细粒度特征属性，以减轻知识偏差并更好地捕捉语义对象区域的空间覆盖，提出了一种上下文原型感知学习策略（CPAL），并实验证明了其在弱监督语义分割方面的显著改进和达到最先进水平的性能。

Mar, 2024

MHFC: 多头特征协作用于少样本学习

针对 Few-shot Learning 中存在的数据稀缺问题和特征提取模型的多样性，本文提出了一种名为 MHFC 的算法来解决分布偏移问题，该算法采用子空间学习的方法将多头特征进行融合，并设计了一个注意力模块自动更新 feature 权重，从而获得更具有鉴别性的特征。在五个基准数据集上进行验证，与现有技术相比，实验结果取得了 2.1％-7.8％的显着提升。

Sep, 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

用于视觉实例搜索的类加权卷积特征

本文提出了一种基于目标图像预测的语义信息的局部感知编码方法，在图像检索中使用卷积神经网络和类激活图进行无监督重排和目标检测，证明了其在 Oxford5k 和 Paris6k 等公共数据集上的优越性能。

Jul, 2017

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

多标签图像分类的语义感知双对比学习

通过引入样本对间对比学习和原型 - 样本对比学习，提出了一种新颖的语义感知双对比学习框架，通过联合训练三个模块，准确捕捉与图像内容相关的判别性标签级特征，并在五个具有挑战性的大规模公共数据集上实验证明了该方法的有效性优于现有技术。

Jul, 2023

无需训练的原型校准的少样本类增量学习

在 Few-Shot Class-Incremental Learning (FSCIL) 场景中，我们发现现有方法倾向于将新类别的样本错误地分类为基类别，导致新类别的性能表现较差。为了解决这一问题，我们提出了一种简单而有效的训练无关的校准策略（TEEN），通过将新类别的原型与加权基类别的原型相融合，以增强新类别的可区分性。在 FSCIL 标准基准测试中，TEEN 显示出出色的性能并在 few-shot learning 场景中持续改进。

Dec, 2023