利用伪深度增强以盒子为监督的实例分割
本论文利用预训练网络生成伪深度图像来将物体分割为训练时未出现的类。仅需要单击对象表面伪深度图像作为输入即可实现,使用深度可以显著改善从已见类到未见类的泛化性能。
Apr, 2023
通过应用弱监督方法和多模态跨模态监督,同时利用 2D 和 3D 注释来提高伪标签的质量,该研究提出了一种名为 MWSIS 的新型框架,可在自动驾驶等领域中进行实例分割,从而显著提高性能并降低注释成本。
Dec, 2023
弱监督图像分割是计算机视觉中的关键任务,依赖于图像级别的类别标签。我们提出了一种利用具有对比学习的孪生网络改进类别活动图 (CAMs) 质量并实现自我改善过程的新型单阶段 WSIS 方法。我们的方法在 PASCAL VOC 2012 数据集上实验证明其明显优于其他最先进方法,在 PASCAL VOC 2012 验证集和测试集上分别达到了 67.2% 和 68.76% mIoU。此外,我们的方法在弱监督目标定位任务中也展现出竞争力。
Sep, 2023
半监督实例分割的深度引导框架中,深度特征融合和深度控制器的引入提高了模型对深度信息的理解和有效利用,实验证明了方法的有效性,并在 COCO 数据集上优于之前的方法,取得了新的性能指标。
Jun, 2024
为了解决弱监督语义分割中伪掩模生成和嘈杂伪掩模监督训练的问题,我们提出了一种新的方法,利用系数变化平滑、比例伪掩模生成、假冒欠拟合和循环伪掩模等技术,取得了 PAS-CAL VOC 2012 和 MS COCO 2014 两个语义分割数据集的最新成果,在性能方面全面超越之前的结果。
Aug, 2021
本文提出一种创新的方法来解决弱监督实例分割任务中的实例定位难题,并使用自我训练方案来改进伪标注,消除语义漂移问题。通过在 PASCAL VOC 2012 和 MS COCO 上广泛实验,证明了该方法的有效性,无需使用与实例或对象有关的预先训练技术。
Sep, 2021
我们提出了一种新的弱监督实例分割方法,通过预测类不可知的实例边界而不是实例中心点来识别实例,进一步增强了实例边界的连续性和闭合性,并且在只使用像素级注释的情况下取得了可观的性能。
May, 2024
利用只有图像级别标签的弱监督实例分割(WSIS)是一项具有挑战性的任务,但随着深度神经网络(DNNs)的进步,WSIS 已经引起了广泛关注。我们提出一种新颖的 WSIS 方法,通过使用 MaskIoU 头部预测 proposal 的完整度得分,采用完整实例挖掘(CIM)策略来显式建模冗余分割问题并生成精炼的伪标签。我们的方法在 PASCAL VOC 2012 和 MS COCO 数据集上实证评估,并取得了超过当前最先进方法的性能。
Feb, 2024
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
本研究提出了一种基于形状信息的弱监督语义分割方法,采用了新颖的改进方法去增强模型可靠性,能够在单阶段框架内迅速高效地完成训练与推理,在 PASCAL VOC 2012 数据集上的准确率超过了现有的同类方法。
Aug, 2022