- AAAI精确至关重要:精确感知的弱监督语义分割集成
ORANDNet 是一种针对弱监督语义分割的新型集成方法,利用两个不同分类器的类激活图和课程学习,提高了伪掩模的精确性并减轻了噪声,从而显著提高了分割性能。基于此方法的扩展同样适用于其他高级弱监督语义分割模型,表明 ORANDNet 具有作 - 弱监督语义分割的细粒度背景表示
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。
- CVPRFrozen CLIP: 强大的骨干网络用于弱监督语义分割
本文提出了基于 CLIP 模型的 WeCLIP 方法,用于弱监督语义分割。WeCLIP 将冻结的 CLIP 模型作为骨干网络进行语义特征提取,并设计了新的解码器来解释提取的语义特征进行最终预测。同时,我们利用冻结的骨干网络生成伪标签来训练解 - 学习绕道:弱监督语义分割的快速通道缓解增强
本文提出了用于弱监督语义分割的快捷方式缓解增强方法(SMA),通过生成在训练数据中未见的对象 - 背景组合的合成表示来减少快捷方式特征的使用,在 PASCAL VOC 2012 和 MS COCO 2014 数据集上实现了语义分割结果的改进 - 通过跨图像上下文信息的双流对比学习实现弱监督语义分割
提出了一种新颖的端到端的弱监督语义分割框架 DSCNet,通过引入像素级组对比和语义级图对比以及设计一种新的双流对比学习机制,综合处理像素级和语义级上下文信息,从而在弱监督语义分割任务中取得了优于现有方法和基准模型的结果。
- CVPRToNNO: 神经网络输出的层析重建,用于三维医学图像的弱监督分割
通过使用图像级别的分类标签,在 3D 医学图像上训练 2D 编码器,我们提出了一种新颖的基于 Tomographic 重建的方法 ToNNO,用于无监督的医学图像分割。通过结合平均 CAM 和 Tomographic CAM 方法,我们进一 - 从不确定性推断和亲和力多样性角度解决弱监督语义分割中的模糊性问题
研究提出了 UniA,一种基于不确定性推理和亲和力多样化的统一单阶段弱监督语义分割框架,用于解决弱监督语义分割中的歧义问题,并在 PASCAL VOC、MS COCO 和医学 ACDC 数据集上验证了其有效性和优越性。
- 强化弱监督语义分割的双重亲和学习增强的辅助任务
提出 AuxSegNet + 框架,使用正好标定过的图片级别标签,通过关联任务 -- 显著性检测和多标签图像分类以及交叉任务亲和学习机制,改进了弱监督语义分割的性能,并在 PASCAL VOC 和 MS COCO 数据集上取得了新的最先进结 - 分而治之:通过分解和表示解耦共现关系的弱监督语义分割
通过图像空间和特征空间从分割图像中的共现对象中分离出对象,并通过增强语义表示来解决共现问题。
- 语义分割的交换分配弱监督共训练
提出了一种采用引导类激活图的端到端弱监督语义分割模型 CoSA,通过交替学习和三种技术的引入,有效减少了类激活图的不一致性和错误,达到了优于现有方法的性能。
- CoBra: 强大的弱监督语义分割的补充分支结合类别和语义知识
在这项工作中,我们提出了一种新的双分支框架 ——CoBra,它由两种不同的架构组成,为每个分支提供有价值的类别(来自 CNN)和语义(来自 ViT)的互补知识,以显式融合它们的补充知识,并促进一种新型的额外模块级监督。通过 CoBra,我们 - 利用 Swin Transformer 进行局部到全局弱监督语义分割
近年来,计算机视觉领域中的弱监督语义分割使用基于图像级标签的监督引起了广泛关注。本研究探索了使用 Swin Transformer 的 'SWTformer' 来提高初始种子 CAMs 的准确性,通过结合局部和全局视角。
- 弱监督语义分割的空间结构约束
利用空间结构约束减轻关注扩展在弱监督语义分割中的非预期对象过度激活的问题,并通过 CAM 驱动重建模块和激活自调节模块来实现更好的对象定位和分割结果。
- MM弱监督语义分割的问题 - 答案跨语言图像匹配
我们提出了一种基于问题回答跨语言图像匹配框架,利用视觉语言基础模型来最大化对图像的基于文本的理解,并引导激活图的生成,以解决现有激活地图方法在目标物体区域低激活和背景区域误激活的问题。
- ICLRP2Seg: 通过相互蒸馏进行逐点监督的分割
设计了一个互动蒸馏模式,结合实例位置和语义信息,实现了准确的实例级别对象感知。在 PASCAL VOC 和 MS COCO 数据集上取得了显著的优势结果。
- AAAITagCLIP:一种增强无需训练的 CLIP 开放词汇多标签分类的本地到全局框架
通过局部到全局的框架,我们提出了一种扩展了 CLIP 的方法来提高多标签分类性能,并通过生成的标签在弱监督语义分割任务中取得了显著的性能提升。
- AAAI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 - 增加标签密度:使用二部图匹配进行无监督聚类的弱监督点云分割
我们提出了一种弱监督的语义分割方法,能够通过整体场景标注来预测点云的点级标签,同时达到与最近的全监督方法相当的性能。我们的核心思想是通过保守的方式将场景级标签传递给点云中的每个点,即通过无监督聚类进行过分割,通过二分匹配将场景级标签与簇关联 - 基于基础模型辅助的弱监督语义分割
这项研究旨在利用预训练的基础模型,如对比语言图像预训练(CLIP)和分段任意模型(SAM),利用图像级别标签解决弱监督语义分割(WSSS)。为此,我们提出了基于 CLIP 和 SAM 的粗到精细的框架,用于生成高质量的分割种子。我们通过冻结 - 基于补丁对比学习的弱监督语义分割的 Top-K 汇聚
提出了一种名为 top-K 汇聚的 Vision Transformer 弱监督语义分割方法(TKP-PCL),通过使用 top-K 汇聚层来增强之前最大汇聚选择的限制,并提出了一种补丁对比误差(PCE)来增强补丁嵌入,从而进一步提高最终结