Jun, 2024

弱监督语义分割的细粒度背景表示

PDF
TL;DR该研究提出了一种简单的精细背景表示方法，通过开发一个新颖的原始负区域感兴趣（NROI）来捕捉细粒度的背景语义信息，并进行像素与负区域对比，从而区分混淆的背景像素，实现了在各种弱监督语义分割设置下的新的最先进结果。
weakly supervised semantic segmentationclass activation mapfine-grained background representationnegative region of interestactive sampling strategy
发现论文，激发创造
  • 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

  • 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

  • 弱监督语义分割的背景感知池化和噪声感知损失

    本文提出了一种使用边界框标注的弱监督语义分割方法，采用背景感知池化与噪声感知损失函数，可以在 PASCAL VOC 2012 数据集上比现有技术有更好的语义分割效果。

    Apr, 2021

  • 实时语义分割的背景减除

    本文提出了一种基于实时语义分割的新型背景减除定义，其由传统的背景分割器和实时语义分割器组成，并在 CDnet 数据集上评估，达到了同类无监督背景减除方法的最优表现，甚至优于某些基于深度学习的有监督算法，并且具有潜在的泛化能力。

    Nov, 2018

  • 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

  • 背景激活抑制用于弱监督物体定位和语义分割

    使用仅有图像级标签的弱监督对象定位和语义分割方法，该论文引入了一个前景预测图（FPM）的新范例，通过生成 FPM 实现像素级定位；通过观察发现，随着前景掩模的扩大，交叉熵收敛为零（当前景仅覆盖对象部分时），激活值持续增加（直至前景掩模扩展到对象边界），因此，提出了一种背景激活抑制（BAS）方法，通过抑制背景激活值来学习更多对象区域；该方法在 CUB-200-2011、ILSVRC、PASCAL VOC 2012 和 MS COCO 2014 数据集上，实验表明相较于基线方法有显著和一致的改进效果，并达到最先进的弱监督语义分割性能。

    Sep, 2023

  • 基于 Box 的类别感知区域遮罩与填充率引导损失的弱监督语义分割

    本篇论文中，我们提出了一种基于边界框监督下的弱监督下的语义分割方法，通过类别掩码模型、像素级别分割提案、填充率指导调整学习过程等手段，有效地减少错误标记造成的影响，提高了实验数据的表现。

    Apr, 2019

  • 基于内置前 / 背景先验的弱监督语义分割

    在语义分割方面仅使用图像标签的弱监督方法在像素级注释方面费时昂贵。本文提出了一种不使用外部物体模块的新方法，使用卷积层的激活并通过稠密 CRF 平滑来从预训练网络本身中提取标记，以实现更精确地语义分割。此外，我们介绍了一种新的廉价的弱监督方法，可提高分类效果。

    Sep, 2016

  • 弱监督语义分割的渐进不确定特征自强化

    对比传统的像素级监督语义分割，使用图像级标签的弱监督语义分割（WSSS）面临的挑战是始终专注于最具差异性的区域，导致完全监督条件下的不一致。典型的表现是在目标边界上减少了精度，从而导致 WSSS 的准确性下降。为了缓解这个问题，我们提出了一种自适应将图像内容划分为确定性区域（如自信的前景和背景）和不确定性区域（如目标边界和错误分类类别）进行分别处理的方法。对于不确定性提示，我们采用基于激活的掩膜策略，并试图通过自身提炼的知识来恢复局部信息。我们进一步假设未掩膜的自信区域应具有足够的鲁棒性以保持全局语义。基于此，我们引入了一种互补的自我增强方法，它限制了这些自信区域与具有相同类别标签的增强图片之间的语义一致性。通过在 PASCAL VOC 2012 和 MS COCO 2014 上进行的大量实验证明，我们提出的 WSSS 的单阶段方法不仅明显优于最先进的基准方法，而且在复杂性换精度的多阶段方法之上。可以在此 https URL 找到代码。

    Dec, 2023

  • 弱监督语义分割的区域抑制网络

    本文提出了一种减少标注成本的方法，利用弱监督语义分割技术和判别性区域抑制模块（DRS）生成高质量分割标签。DRS 可以扩展对象激活区域并产生稠密的本地化区域，同时引入本地化地图精化学习策略以使本地化地图得以精化。实验证明，该方法在 PASCAL VOC 2012 分割基准上达到了 71.4％的 mIoU。

    Mar, 2021