Mar, 2024

网络校准的类别和区域自适应约束

PDF
TL;DR本文提出了一种新的方法来校准分割网络，考虑了不同类别和目标区域所带来的困难。具体来说，我们提出了一种将类别和区域约束融入学习目标的公式，利用多个惩罚权重来解决类别和区域差异的问题。然而，手动找到最佳的惩罚权重可能是不可行的，会阻碍优化过程。为了克服这个限制，我们提出了一种基于类别和区域自适应约束（CRaC）的方法，可以在训练过程中学习类别和区域的惩罚权重。CRaC 基于广义增广拉格朗日方法，这是一种在约束优化中广泛应用的技术。在两个流行的分割基准和两个知名的分割网络上进行的实验证明了 CRaC 相比现有方法的优势。代码可以在此链接中找到：https:// 这个网址。
calibrate segmentation networksclass and region-wise constraintspenalty weightsclass and region-adaptive constraints (crac)constrained optimization
发现论文，激发创造
  • 基于惩罚约束的分割网络的邻近感知校准

    通过等式约束方式，NACL（Neighbor Aware CaLibration）能够在深度分割网络中实现优越的校准性能，而不影响其判别能力。

    Jan, 2024

  • 基于约束 CNN 的弱监督分割损失函数

    本文提出一种基于不等式约束的 CNN 弱监督分割方法，通过引入可微分约束惩罚项，使训练过程中的非标注数据指导网络的学习，经实验证明该方法相比于先前研究的 Lagrangian 方法能够更加优化，并降低了训练过程的计算复杂度。

    May, 2018

  • 区域对比一致性正则化的域自适应语义分割

    本文提出了一种基于区域对比一致性正则化（RCCR）、动量投影头和记忆库机制的无监督域自适应语义分割方法，旨在提高在不同环境下的分割精度。实验证明，该方法优于现有的基准方法。

    Oct, 2021

  • CAR: 语义分割的类别感知正则化

    本文提出了一种基于类别感知的正则化方法，通过优化特征学习过程中的类内方差和类间距离来更有效地利用类别信息，该方法可以应用于大部分现有的分割模型，并且可以在不增加推理开销的情况下显著提高它们的准确性。

    Mar, 2022

  • 多关注多分类约束用于细粒度图像识别

    本文提出了一种基于注意力机制的卷积神经网络方法，使用一握多激励模块学习每个输入图像的多个注意区域特征，并在度量学习框架中应用多注意力多类约束，通过推拉相同 / 不同注意力类别的特征以实现多个目标区域的协调，并引入 Dogs-in-the-Wild 数据集以促进细粒度图像识别研究。

    Jun, 2018

  • 基于约束的卷积神经网络弱监督分割

    我们提出了一个名为约束卷积神经网络的方法，它使用一种新的损失函数来优化 CNN 模型输出空间上任何一组线性约束条件，并且通过大量实验得出该方法在弱监督语义图像分割任务中表现出卓越的效果。

    Jun, 2015

  • 基于分割先验的区域自适应变换图像压缩

    通过使用类别 - 不可知分割掩模和区域适应转换，本文提出了一种改进的学习图像压缩方法，以提高像素保真度和比特率节省。

    Mar, 2024

  • 基于显著性引导的弱监督语义分割中的类间、类内关系约束

    本文提出了基于显著性引导的跨类和内部类约束模型 (I$^2$CRC)，以辅助 CAMs 中的激活对象区域的扩张，在 PASCAL VOC 2012 和 COCO 数据集上进行的广泛实验表明，I$^2$CRC 在众多最先进的方法中具有显著的优势。

    Jun, 2022

  • 使用局部注意力蒙版的分割感知卷积网络

    该研究提出了一种利用卷积神经网络 (CNN) 中的分割信息的方法，通过设置 CNN 来提供嵌入空间来获取分割信息，以便在局部感受野范围内使每个神经元可以选择性地关注来自其本身区域的输入，因此适应于局部分割提示，在两个密集预测任务中展示了性能优于进行过增强的基线的结果。

    Aug, 2017

  • 上下文关系一致的领域自适应语义分割

    本文针对语义分割中标注数据昂贵的问题，提出一种新的局部一致的领域自适应技术（CrCDA），利用反向传播的对抗学习方法，在局部特征表示空间中显式地学习并执行基于原型的本地上下文关系。该方法在处理 GTA5 到 Cityscapes 和 SYNTHIA 到 Cityscapes 等两个挑战性的领域自适应分割任务中优于目前最先进的技术，取得了卓越的分割表现。

    Jul, 2020