半监督三维实例分割的实例一致性正则化
本文提出了一种新型的基于交叉一致性的半监督语义分割方法,其中共享编码器和主解码器进行有监督训练,利用无标签数据来提高编码器的表示,该方法简单易懂,并且在多个数据集上实现了最先进的结果。
Mar, 2020
通过无监督学习的方法,使用 LiDAR 传感器,构建了一个算法来预测 3D 场景中的实例分割,其中通过权重代理图生成 3D 实例掩模建议,并使用自我训练算法对初始嘈杂的提议进行强化,以生成场景级实例分割。在 SemanticKITTI 基准测试中,该方法相较于最佳基准模型获得了 13.3% 的平均准确率和 9.1% 的 F1 分数提升。
Mar, 2024
本文提出了一种自监督的图像表示学习方法,利用三维几何一致性来指导学习过程,并在对比学习框架中引入三维几何一致性作为约束,成功学习出既具有一般性,又能够在各种下游任务中取得优越性能的图像表示。
Mar, 2022
提出了一种基于弱监督的实例分割方法,使用条件分布来建模伪标签生成过程中的不确定性,通过联合概率学习目标来最小化两个分布之间的差异,实现了在 PASCAL VOC 2012 数据集上优于最优基线 4.2% [email protected] 和 4.8% [email protected] 的最新效果。
Jul, 2020
本文介绍了一种基于自监督正则化的半监督学习方法,其中利用了大量未标记数据来提高模型的性能,并且可以有效地应用于图像分类任务中,不需要任何补充的超参数进行调整。实验结果表明,该方法优于传统的监督和半监督学习方法。
Jun, 2019
本文提出了 SCP-Net 方法,利用多个输入源提高一致性学习中预测的多样性,结合半监督方法和自我感知一致性学习方法,提高伪标签的紧致性和可靠性。实验表明,SCP-Net 可以优于其他半监督分割方法,相比于有限的有监督训练,可以显著提高性能。
May, 2023
我们提出了一种自监督的,单视图三维重建模型,通过 2D 图像和物体的轮廓预测目标物体的 3D 网格形状、纹理和相机姿势,该方法不需要三维监督,手动注释的关键点,物体的多视图图像或先前的 3D 模板,通过自监督地学习分类特定图像的部分分割,我们可以在重建网格与原始图像之间有效强制实现语义一致性,从而大大减少了模型在预测物体形状、纹理和相机姿态时的歧义,并且我们的模型可以不需要这些标签而轻松地推广到各种物体类别。
Mar, 2020