- 半监督语义分割中的时态知识重访与最大化
提出了一种 PrevMatch 框架,通过最大化利用训练过程中获得的时间知识,有效地缓解了复杂的训练流程和计算负担所带来的限制,同时在各种评估协议上始终优于现有方法,特别是在 DeepLabV3 + 和 ResNet-101 网络设置下,在 - IPixMatch: 提升半监督语义分割的互像素关系
IPixMatch 是一种用于半监督学习的新方法,通过挖掘被忽视但有价值的像素间信息,以最大化利用有限的标记数据和提取未标记数据的最大效用,实现了在各种基准数据集中一致的性能改进。
- 多层标签修正通过提取相近模式用于半监督语义分割
该研究提出了一种名为 Multi-Level Label Correction (MLLC) 的算法,利用图神经网络捕捉语义级别图和类别级别图中的结构关系来修正错误的伪标签,从而显著提高监督基线,并在 Cityscapes 和 PASCAL - CVPR朝未知领域进发:密度递减特征扰动用于半监督语义分割
基于密度下降的特征扰动(DDFP)是一种新颖的特征级一致性学习框架,旨在通过扰动注入将特征移向密度较低的区域,有效地规范决策边界,并通过轻量级密度估计器实时捕获特征密度分布,该方法在特征级扰动上胜过其他设计并在 Pascal VOC 和 C - CVPRAllSpark: 转换器中的未标记特征重生用于半监督语义分割
通过通道交叉注意力机制重塑未标记特征并引入语义记忆和通道语义分组策略,提出了一种新的半监督语义分割方法 AllSpark,用于提高标记数据和非标记数据的训练效果。该方法在多个评估指标上优于现有方法,并可与基于 Transformer 的分割 - PRCL: 半监督语义分割的概率表示对比学习
通过对半监督语义分割进行对比学习取得了巨大突破,但是由于有限的注释,模型自身生成的无标签图像上的引导 inevitably 存在噪音,扰乱了无监督训练过程。为了解决这个问题,我们提出了一个强大的基于对比的 S4 框架,称为概率表示对比学习 - 半监督语义分割遇到遮蔽建模:保真细粒度地域学习在一致性规范化中的重要性
通过提出一种新的框架,即 MaskMatch,并应用多尺度集成策略,实现了对半监督语义分割任务中细粒度局部语义的更好感知和更准确的分割。
- 通过增强未标记数据上的不确定性改进半监督语义分割
我们提出了一种新的半监督语义分割视角,通过对训练数据集中标记和无标记分布的分析,我们发现即使两个数据集采样自相同分布,标记和无标记数据集之间的分布差异也不能忽视。为了解决这个问题,我们在理论上进行了分析并从实验上证明了适当提高无标记数据的不 - SemiVL: 基于视觉 - 语言引导的半监督语义分割
SemiVL 是一种结合了视觉 - 语言模型的丰富先验知识与半监督语义分割的方法,通过空间微调策略和语言引导解码器的设计,以及提供类别定义的语言指导,实现了更好的语义决策边界。在 4 个语义分割数据集上进行评估时,SemiVL 明显优于以前 - 临时教师切换半监督语义分割
该研究论文介绍了一种名为双教师的简单而有效的方法,利用双临时教师解决了学生和教师权重耦合的问题,通过定期生成伪标签训练学生模型并保持不同特征,以显著缩短训练时间,并证明了该方法适用于各种模型。
- 基于三视图知识蒸馏的半监督语义分割
半监督语义分割的三视角知识蒸馏框架(TriKD)包括三视角编码器和双频解码器,并在 Pascal VOC 2012 和 Cityscapes 两个基准上进行了大量实验,结果表明该方法在精度和推理速度之间取得了良好的折衷。
- 基于边缘上下文信息的半监督语义分割
我们提出了一种新颖的置信度细化方案,通过将伪标签在半监督语义分割中加强。与当前主流方法不同,我们的方法不仅孤立地过滤具有低置信度预测的像素,还通过将相邻像素进行分组并综合考虑它们的伪标签,利用分割图中标签的空间相关性。借助这些上下文信息,我 - ICCV基于逻辑推导的半监督语义分割的诊断推理
通过理性诊断符号引导冲突,LogicDiag 逐步解决伪标签内的冲突,恢复错误伪标签,最终减轻错误积累问题;在三个标准半监督语义分割基准测试中证明了 LogicDiag 的有效性和广泛适用性,并突出了系统集成符号推理与统计、神经学习方法中出 - ICMLNP-SemiSeg:当神经过程遇上半监督语义分割
通过将神经过程(NPs)应用于半监督语义分割,我们提出了一种新的模型 NP-SemiSeg,并在公共基准数据集 PASCAL VOC 2012 和 Cityscapes 上进行了实验验证其有效性。
- MM双层孪生结构网络优化半监督语义分割
我们提出了一种双层 Siamese 结构网络(DSSN)进行像素级对比学习,通过在低级图像空间和高级特征空间中利用强增强视图对齐正样本对,最大化利用可用的无标签数据,并引入了一种新颖的面向类别感知的伪标签选择策略以改善弱到强监督的性能,并在 - 边界精化的原型生成:半监督语义分割的通用端到端范式
我们提出了一种新的边界优化类原型生成(BRPG)方法,将其纳入整个训练框架中,该方法在 PASCAL VOC 2012 和 Cityscapes 数据集上的实验表明,它优于当前最先进的方法。
- ICCV空间参与力:基于对比的半监督语义分割的协作空间监督
半监督语义分割采用有限标记图像和大量未标记图像训练分割模型。使用像素级对比学习方法在潜空间中将表示聚合到原型,以获取来自逻辑空间和表示空间的协同监督,在减少过拟合风险和增强两个空间之间知识交流的基础上,通过表示与原型之间的相似性作为倾斜训练 - CorrMatch:半监督语义分割的相关匹配标签传播
本研究提出了一个针对半监督语义分割的简单但高效的半监督语义分割方法,称为 CorrMatch,目的是通过一致性正则化从未标记的图像中挖掘更多高质量的区域,以更有效地利用未标记的数据。
- 区域关联的半监督语义分割
本文提出了一种基于区域相关性网络的半监督语义分割方法,其中包括本地伪标签过滤模块、本地选择损失模块和动态区域损失校正模块,这些模块可以降低伪标签引起的分类误差和预测不一致性,实现更好的分割结果。
- CVPR简化:降低 3D 点云语义分割的任务和模型复杂度
本文提出了一种基于稀疏深度可分离卷积模块的新型管道,该管道通过减少网络参数数量并保留整体任务性能,需要更少的地面真实注释来实现优越的分割准确性,并提出了一个新的用于处理 3D LiDAR 点云数据的样本下采样方法,与现有方法相比具有更好的性