unsupervised semantic segmentation | BriefGPT

关键词unsupervised semantic segmentation

搜索结果 - 17

利用主要掩码提案增强无监督语义分割
基于无监督语义分割的 PriMaPs-EM 算法能够通过将图像分解为语义有意义的掩膜，并使用随机期望最大化算法拟合类别原型，实现在各种预训练模型和数据集上竞争性的无监督语义分割结果，优化了当前最先进的无监督语义分割流水线。
PDF2 months ago
OMH：通过最佳匹配层次结构实现无监督语义分割的结构稀疏化
无监督语义分割涉及在没有预定义标签的情况下对图像进行分割，以减轻广泛的人工标注负担。本文介绍了一种称为 “优化匹配层次” 的新方法，以同时解决上述问题。我们的方法的核心在于对特征空间进行结构化稀疏性约束，使得特征能够以不同的粒度编码信息。通
PDF4 months ago
AAAI扩展与量化：使用高维空间和乘积量化的无监督语义分割
无监督语义分割是发现和识别有意义类别而不使用任何标签的方法之一，本文提出了一种新的无监督语义分割框架（EQUSS），它结合了高维空间的好处以进行更好的聚类和产品量化以实现有效的信息压缩，并在三个标准基准测试中取得了最先进的结果。此外，我们还
PDF7 months ago
一个轻量级聚类框架用于无监督语义分割
我们提出了一个用于无监督语义分割的轻量级聚类框架，基于自监督视觉变换器的注意特征，通过将这些特征聚类成少量的聚类中心，我们能够将前景和背景的图像补丁分开成不同的组。我们的框架在无监督语义分割方面展示了很大的潜力，并在 PASCAL VOC
PDF7 months ago
理解自监督特征用于学习无监督实例分割
自我监督学习（SSL）可以用于解决复杂的视觉任务，该论文研究了实例分割的自我监督表示，发现不同 SSL 方法的特征在实例感知水平上存在差异。
PDF7 months ago
SmooSeg: 无监督语义分割的平滑先验
无监督语义分割采用平滑先验作为能量最小化问题的范式，利用自监督学习方法建模观测之间的临近关系作为平滑性信号，通过平滑种子标签生成来优化观测和标签输出的拟合度，显著优于现有方法的像素准确性。
PDF8 months ago
因果无监督语义分割
无监督语义分割的新框架 CAUSE 基于因果推断，通过前门调整、概念聚类手段实现适当级别的概念分割，从而在无监督语义分割任务中取得了最先进的性能。
PDF9 months ago
一种面向交通应用的无监督 LiDAR 分割的时空对应方法
我们解决了在各种交通场景下，对室外 LiDAR 点云进行无监督语义分割的问题，通过建立多帧之间的时空对应关系，将点云序列的时空特征引入强化扩充，融合聚类和伪标签学习，以无监督的学习方式学习辨别特征，展现出在自动驾驶车辆和交叉口基础设施方面的
PDF10 months ago
学习神经本征函数进行无监督语义分割
本文提出了一种使用基于神经网络的特征函数实现光谱聚类的方法，将神经网络特征作为输入，通过轻量级的神经特征函数实现密集预测，实验结果表明该方法在 Pascal Context、Cityscapes 和 ADE20K 基准测试上具有显著的性能优
PDFa year ago
CVPR利用隐藏正样本进行无监督语义分割
通过挖掘隐藏正样本学习丰富的语义关系和确保局部语义一致性，我们引入了对比学习来解决任务特定训练指导和局部语义一致性缺乏考虑的问题，并引入了一个渐进的策略来逐步提高导致模型捕获任务特定的语义特征，在 COCO-stuff、Cityscapes
PDFa year ago
使用 Transformer 发现对象掩膜，用于无监督语义分割
该论文提出 MaskDistill 这一基于数据驱动策略的无监督语义分割框架，通过生成像素分组先验和聚类对象掩模来训练初始对象分割模型并过滤低质量对象掩模，从而有效提高 PASCAL 和 COCO 上的性能。
PDF2 years ago
CVPR多视图共分割和聚类变换器的无监督分层语义分割
本文提出了一种基于像素特征学习的数据驱动的无监督分层语义分割方法，使用同一图像的多视角协同分割来启动特征学习，加入粗细层次间的聚类变换器以确保组织层次间的语义一致性，该方法被称作 'Hierarchical Segment Grouping
PDF2 years ago
SegDiscover：基于无监督语义分割的视觉概念发现
SegDiscover 是一个无人监督语义分割框架，通过从原始图像生成概念原语、在自监督预训练编码器的潜在空间中进行聚类以及神经网络平滑来发现语义上有意义的视觉概念。实验结果表明，该方法可以在单个图像中发现多个概念，并在包括 Citysca
PDF2 years ago
基于视觉概念的自监督语义分割
本文提出了一种自监督的像素表示学习方法，通过使用从图像中提取的视觉概念（例如部件、物体和场景等具有语义意义的像素组）实现语义分割，评估了在三个数据集上学习到的像素嵌入和视觉概念。作者的实验结果表明，该方法在非监督语义分割方面取得了持续和显著
PDF2 years ago
通过提炼特征对应关系进行无监督的语义分割
STEGO 是一种新的自监督特征提取框架，通过使用对比损失函数来加强特征聚类的紧凑性，并在 CocoStuff 和 Cityscapes 语义分割挑战中显著优于其他算法。
PDF2 years ago
AAAI基于注意力机制的从潜在特征到点云的转换
本文提出基于注意力机制的 AXform 方法，通过中间空间生成点并聚合形成点云，相较于之前的方法该方法具有较少的异常值、参数、更快的收敛速度，且可适用于非平滑表面生成。通过进一步将其扩展到多个支路进行局部生成，加入向心约束使其具有自聚类和空
PDF3 years ago
ECCVTransFGU: 一种自上而下的 Fine-Grained 非监督语义分割方法
该篇论文提出了首个自上而下的无监督语义分割框架，利用自监督学习方式从大规模视觉数据中获得高级别结构化语义概念信息，使用此信息作为先验，利用计算出的类激活图（CAM）将发现的高级别语义类别映射到低级别像素特征中，最后用获得的 CAM 作为伪标
PDF3 years ago