自适应分辨率的强鲁棒无监督众筹计数和定位
本文研究了人群计数的问题,并提出了新的方法,通过引入局部计数映射(LCM)等新的训练目标,以及采用混合回归框架的三个模块(SAM, MRM 和 ASIM)来进一步提高人群估计的精度。
May, 2020
本文提出了一种基于特征学习和密度图的半监督人群计数方法,将未标注的图像用于训练通用的特征提取器并将其用于密度图回归,同时利用自训练方案来学习相关的二元分割任务,表明该方法优于现有的半监督人群计数方法和基线方法。
Jul, 2020
本文提出一种基于空间不确定性的半监督学习方法,通过二元分割的正则化替代任务,结合教师 - 学生框架,同时针对高自信度区域信息进行研究,解决了标注数据不足的人群计数问题,实验证明该方法优于现有半监督方法。
Jul, 2021
使用无监督 SAM 模型进行图像分割,通过将图像分割为实例 / 语义级别的片段并形成层次结构的无监督多粒度蒙版,提供了与有监督方法相媲美甚至更好的分割结果,并为有监督模型提供了改进的自我监督标签。
Jun, 2024
该研究提出了一种新的半监督方法,基于平均教师框架,以减轻训练可靠的人群计数模型所需的大量标注负担,从而增加数据量,提高模型的实用性和准确性。经验证明,在标签数据稀缺的情况下,仅通过未标记的数据来提高局部区域预测的准确性是不充分的,因此需要采用更细粒度的方法培养模型的内在 “突显” 能力,以 accurately estimate the count in regions by leveraging its understanding of the crowd scenes,并结合局部细节预测高密度区域,该方法在人群计数领域取得了最先进的表现。
Oct, 2023
本文提出了一种新的架构 SPatial Awareness Network (SPANet),并使用 Maximum Excess over Pixels (MEP) loss 来改进目标函数,通过一种多分支的弱监督学习方案来生成具有高差异性的像素级子区域。该框架能够被集成到现有的深度人群计数方法中,是可训练的端到端方法,并在四个具有挑战性的基准测试上进行了广泛的实验,表明我们的方法可以显着提高基线性能,并且在所有基准数据集上优于现有的最先进方法。
Sep, 2019
本研究介绍了 SemiRES,一种半监督框架,可以有效地利用标记和未标记的数据来执行 RES。通过结合 Segment Anything Model(SAM)来改进伪标签的准确性,SemiRES 提供了两种备选匹配策略:基于 IoU 的最佳匹配(IOM)和复合部件整合(CPI)。该研究在三个 RES 基准测试上进行了广泛实验证明了其优越性能。即使只有 1% 的标记数据,SemiRES 的表现也大大超过了有监督方法。
Jun, 2024
多类多实例分割是识别图像中多个对象类别和同一类别的多个实例的任务,提出了一种新颖的领域不变的通过真实 - 模拟 (Pseudo-Real) 微调策略来改善多类多实例分割模型的性能,尤其在室内场景理解方面表现出良好的泛化性能。
Mar, 2024
在医学图像分割中,为培育标注注释集需要领域专业知识的劳动密集型和耗时的任务,而导致深度学习模型的狭隘性和有限的转化效力。本研究探索了 Segment Anything Model (SAM) 在众包环境下为 3D DL 分割模型培育稀疏标注以生成密集分割遮罩的潜力。结果表明,尽管 SAM 生成的标注与地面实况标注相比具有较高的平均 Dice 得分,但在 SAM 生成的标注上训练的 nnU-Net 模型表现明显差于在地面实况标注上训练的 nnU-Net 模型(p<0.001,全部)。
Mar, 2024