AAAI 2022主题论文推荐——Semantic Segmentation

AAAI是具有重要影响力的国际学术组织，由计算机科学和人工智能领域奠基人Allen Newell、Marvin Minsky、John McCarthy等学者于1979年共同创立，旨在推动智能思维与行为机制的科学理解及机器实现，并促进人工智能的科学研究和规范应用。AAAI是国际顶级学术会议——AAAI人工智能大会（AAAI Conference on Artificial Intelligence）的组织者。

5篇论文及PDF下载链接：

1.Active Boundary Loss for Semantic Segmentation
本文提出一种用于语义分割的主动边界损耗方法，它可以在端到端训练期间逐步鼓励预测边界和地面实况边界之间的一致性，这在常用的交叉熵损失中没有明确强制执行。基于使用当前网络参数从分割结果中检测到的预测边界，研究者将边界对齐问题表述为可微方向矢量预测问题，以指导预测边界在每次迭代中的移动。实验结果表明，在具有挑战性的图像和视频对象分割数据集上，主动边界损耗训练可以有效提高边界F得分和平均交集。
PDF下载链接：https://www.aminer.cn/pub/601d3a3291e01194579224b9/f=cs

2.Fully Attentional Network for Semantic Segmentation
研究者提出了一种新的方法，即全注意力网络（FLANet），在保持高计算效率的同时，将空间和通道注意力编码在单个相似性地图中。具体来说，对于每个通道映射，FLANet都可以通过一个新颖的完全注意力模块从所有其他通道映射以及相关的空间位置中收集特征响应。本文提出的新方法在三个具有挑战性的语义分割数据集上取得了最先进的性能，即分别在Cityscapes测试集，ADE20K验证集和PASCAL VOC测试集上分别为83.6%，46.99%和88.5%。
PDF下载链接：https://www.aminer.cn/pub/61b1742e5244ab9dcb25b063/?f=cs

3.Reference-guided Pseudo-Label Generation for Medical Semantic Segmentation
本文使用少量标记的图像作为参考材料，并将未标记图像中的像素与参考集中最合适的像素的语义相匹配。通过这种方式，不但避免了诸如确认偏差之类的陷阱，而且由于此方法不需要任何架构更改或随附的网络，因此可以轻松地将其插入到现有框架中。
PDF下载链接：https://www.aminer.cn/pub/61a98af75244ab9dcb9530b3/?f=cs

4.GuidedMix-Net: Semi-supervised Semantic Segmentation by Using Labeled Images as Reference
本文提出了一种名为GuidedMix-Net的半监督语义分割的新方法，通过利用标记信息来指导未标记实例的学习。GuidedMix-Net采用三种操作方式：1）插入类似的标记 - 未标记图像对;2） 相互信息的传输;3）伪面具的泛化。对 PASCAL VOC 2012 和 Cityscapes 的广泛实验证明了GuidedMix-Net 的有效性，与以前的方法相比，它实现了具有竞争力的分割准确性。
PDF下载链接：https://www.aminer.cn/pub/61cd23c55244ab9dcbb040fd/?f=cs

5.Amplitude Spectrum Transformation for Open Compound Domain Adaptive Semantic Segmentation
本文提出了一种新颖的特征空间振幅频谱变换（AST）。在适应过程中，研究者采用AST自动编码器有两个目的。首先，精心挖掘的源-目标实例对通过改变 AST 潜伏在特定层进行跨域特征风格化 （AST-Sim） 模拟。其次，在稍后层运行的 AST 的任务是通过将域内容的潜在内容固定为平均原型来规范化 （AST-Norm）。本研究中简化的适应技术不仅没有聚类，而且没有复杂的对抗性对齐，在OCDA场景分割基准上实现了与现有技术相比的领先性能。
PDF下载链接：https://www.aminer.cn/pub/6204827f5aee126c0f77da5c/?f=cs