极简笔记 Weakly Supervised Instance Segmentation using Class Peak Response

最新推荐文章于 2024-06-26 21:29:15 发布

Hibercraft

最新推荐文章于 2024-06-26 21:29:15 发布

阅读量4.4k

点赞数 1

分类专栏：极简笔记

本文链接：https://blog.csdn.net/Hibercraft/article/details/81043623

版权

本文介绍了一种弱监督方法，利用分类网络的响应图进行实例分割。通过找到局部最大值并反向计算，结合类别信息，从传统算法的分割掩模中评分选择分割结果。网络仅使用分类信息训练，表现优于其他弱监督方法。

摘要由CSDN通过智能技术生成

极简笔记 Weakly Supervised Instance Segmentation using Class Peak Response

本文是一篇弱监督的工作，利用分类网络做实例分割任务。主要思路是利用网络输出的响应图，取局部极大值之后反向计算（这个过程中分辨率也在变大），得到与这个局部极大值相关的区域信息，再结合类别信息等，从利用传统算法求出的segmentation mask里面进行打分排序，得到分割结果。
这里写图片描述

网络训练只用到了分类信息。在正向传播时候每一个conv层输入记作 $U$ ，输出记作 $V$ ，坐标(i,j)下的值就记作 $V_{ij}$ 。定义反传公式：

P (U i j) = \sum p = i - k H 2 i + k H 2 \sum q = j - k W 2

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

Hibercraft

关注关注

1
点赞
踩
6

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

Weakly Supervised Instance Segmentation using Class Peak Response阅读笔记

FLY的博客

01-25

1292

Weakly Supervised Instance Segmentation using Class Peak Response 目前技术空缺目前大部分弱监督下的实例分割技术需要大范围像素级的标注去训练深度神经网络，然而这种方法往往耗费大量人力物力[1]。相比之下，普通的图像分类卷积神经网络的训练，只需要简单的图像级的类别标注，即图像中有没有要求范围内的物体类别，这种操作更为简单方便。然而目前...

[WSIS] Weakly-supervised Instance Segmentation via Class-agnostic Learning with Salient Images

Ah丶Weii

05-19

698

1. Motivation 弱监督实例分割（WSIS） Weakly-supervised instance segmentation (WSIS) is important in computer vision for at least two reasons. Humans have a strong class-agnostic object segmentation ability and can outline boundaries ofunknown objects precisely.

参与评论您还未登录，请先登录后发表或查看评论

Weakly Supervised Instance Segmentation using Class Peak Response

qq_22549605的博客

08-11

1104

第一篇图像级弱监督语义分割的文章

视觉分割的定义与性能度量

最新发布

ChuanhuaYu的博客

06-26

1069

整理了图像与视频中的一些分割任务的定义和任务需求，同时给出了对这类任务的模型性能的度量方法。

Weakly Supervised Instance Segmentation using Class Peak Response 解读

qq_34138126的博客

05-19

239

基于弱监督的实例分割一. 使用Peak Response Map(PRM)实现对图像中目标的位置的定位。 1.1在全卷积神经网络最后的分类器部分（CNN classifiers）可以生成类响应图（class response maps）,类响应图可以指出每个图像的位置点的分类置信度（classification confidence）。其中类响应图局部最大值（即峰值），对应于...

Weakly Supervised Instance Segmentation using Class Peak Response 论文复现

THE XING

03-29

623

文章pipeline 目录1. 我的设备2. 环境准备3. 开始！ 1. 我的设备 win10 pytorch 1.1 cuda9+cudnn7 2. 环境准备作者公布了代码，在GITHUB 。注意一条一条按照作者说的那样子就行了。 jupyter notebook # enable the widgetsnbextension before you start the notebo...

NeurIPS2019 BBTP-Weakly Supervised Instance Segmentation using the Bounding Box Tightness Prior

菜鸟中的菜中菜的博客

03-26

3603

https://proceedings.neurips.cc/paper/2019/file/e6e713296627dff6475085cc6a224464-Paper.pdf https://blog.csdn.net/qq_38929105/article/details/119852781 本文通过将问题表述为多实例学习(MIL)任务来解决困难，通过框的扫描线生成正负的bags。提出的深度模型将MIL集成到一个完全监督的实例分割网络中，结果由unary term和pairwise term生成，前者

Weakly-supervised Instance Segmentation via Class-agnostic Learning with Salient Images

qq_49230659的博客

07-13

1224

Weakly-supervised Instance Segmentation via Class-agnostic Learning with Salient Images摘要3. Method3.1. Weakly-supervised Instance Segmentation via Multi-instance Learning3.2. Joint Training with Salient Images3.2.1 Salient Images3.2.2 Data Augmentation3.3.

Instance Segmentation入门总结

A13120295的博客

12-21

3063

前一阵子好忙啊，好久没更新了。最近正好挖了新坑，来更新下。因为之前是做检测的，而目前课题顺道偏到了instance segmentation，这篇文章简单梳理一下从检测、分割结果到instance segmentation结果问题在哪里，以及已有的解决方案。初见instance segmentation 分类、检测、分割是有天然的联系的：从目的来讲，三个任务都是为了正确的分类一张（...

Instance Segmentation

John's Blogs

04-06

353

The existing approaches for instance segmentation task can be summarized into three categories: 1、Top-down methods Paradigm : Solving the problem from the perspective of object detection, i.e., detec...

CVPR 2020-Instance Segmentation

John's Blogs

06-24

1224

目录研究概况任务区别论文列表[1] 2D实例分割（8篇）[2] 3D实例分割（5篇）[3] 标注数据不足（3篇）非监督域适应小样本学习半监督学习[4] 视频实例分割跟踪（1篇）[5] 实例分割应用（1篇）研究概况 CVPR 2020共有18篇实例分割论文（9篇开源代码）：1篇Oral（Deep Snake），含2D实例分割8篇（一阶段one-shot实例分割有好几篇），3D点云实例分割5篇，解决标注数据不足问题的非监督/半监督/小样本学习的实例分割各1篇，另外IBM研究了实例分割跟踪，还有1篇实例分割在生

YOLACT: Real-time Instance Segmentation

既然选择了远方便只顾风雨兼程 - 永强

12-04

659

YOLACT: Real-time Instance Segmentation You Only Look At CoefficienTs，YOLACT https://github.com/dbolya/yolact A simple, fully convolutional model for real-time instance segmentation. trailer [ˈtreɪlə(...

instance segmentation: 从2015到2017

THE XING

10-05

925

motivation 我太难了思路先确定回归框（bounding box），后细化实例掩模(mask)，称为基于检测的方法；先得到较好的语义分割效果(semantic segmentation)，再对每个像素进行归类(cluster)，称为基于分割的方法； paper reading 1.Learning to Segment Object Candidates（2015）基于di...

Kernel based instance segmentation

THE XING

12-10

652

dynamic kernel 在high level 用了很多，这里记录一下目录CondInst ECCV 2020之前方法的问题之前方法归类本文最大亮点Instance-aware mask head整体网络结构SOLO V2 NIPS 2020之前方法的问题本文最大亮点网络结构图 CondInst ECCV 2020 conditional convolutions for instance segmentation 之前方法的问题 bounding box 是方方正正的，对于irreg.

[深度学习论文笔记][Instance Segmentation] Instance-aware Semantic Segmentation via Multi-task Network Cascad

Hao_Zhang_Vision的博客

11-13

2117

Dai, Jifeng, Kaiming He, and Jian Sun. “Instance-aware semantic segmentation via multitask network cascades.” arXiv preprint arXiv:1512.04412 (2015). (Citations: 40). 1 Motivation All previous w

CVPR 2020-Instance Segmentation（2020最新分割论文）

微信号：Custom-Software

06-24

2453

目录研究概况任务区别论文列表 [1] 2D实例分割（8篇） [2] 3D实例分割（5篇） [3] 标注数据不足（3篇）非监督域适应小样本学习半监督学习 [4] 视频实例分割跟踪（1篇） [5] 实例分割应用（1篇）研究概况 CV...

笔记：Deep Snake for Real-Time Instance Segmentation

m0_46272163的博客

07-20

542

Deep Snake for Real-Time Instance Segmentation（Deep Snake用于实时实例分割）参考链接：https://blog.csdn.net/racesu/article/details/107068468 与最近一些直接从图像中回归物体边界点坐标的方法不同，deep snake使用神经网络迭代变形初始轮廓来匹配物体边界，这通过基于学习的方法实现了snake算法的经典思想。对于轮廓的结构化特征学习，我们提出在deep snake中使用循环卷积，与一般图卷积相

【论文笔记】 Towards End-to-End Lane Detection: an Instance SegmentationApproach

ctfabc4425的博客

07-02

3744

【论文笔记】 Towards End-to-End Lane Detection: an Instance SegmentationApproach ####论文链接：[https://arxiv.org/abs/1802.05591?context=cs](https://arxiv.org/abs/1802.05591?context=cs) 这篇论文是做车道线检测的，之前的检测...

Regional Semantic Contrast and Aggregation for Weakly Supervised Semantic Segmentation

04-05

Weakly supervised semantic segmentation is a challenging task where only image-level labels are available for training. In this paper, we propose a novel approach that utilizes regional semantic contrast and aggregation to improve the performance of weakly supervised semantic segmentation. First, we introduce a regional semantic contrast loss that encourages the model to focus on regions with high semantic contrast, i.e., regions where the difference between the foreground and background classes is high. Specifically, we compute the semantic contrast map by subtracting the predicted probability of the background class from the predicted probability of the foreground class, and then apply a Gaussian filter to smooth the map. Second, we propose a regional aggregation module that aggregates the features of each region to obtain a more representative feature representation. The module consists of a region proposal network that generates candidate regions based on the semantic contrast map, and a region-based pooling layer that pools the features within each region. Finally, we combine the regional semantic contrast loss and the regional aggregation module with a standard cross-entropy loss to train the model. Experimental results on the PASCAL VOC 2012 dataset demonstrate that our approach achieves state-of-the-art performance among weakly supervised methods, and even outperforms some fully supervised methods.