本文介绍了一种2015年的弱监督语义分割方法，该方法利用图像级标注通过CNN生成score map，并采用Log-Sum-Exp (LSE)聚合。在推断阶段，结合Image-level prior和多种smooth prior策略提升预测性能。实验在VOC2010数据集上展示了与强监督和弱监督算法的对比结果。
极简笔记 From Image-level to Pixel-level Labeling with Convolutional Networks
本篇文章是2015年的一篇依赖image-level标注的语义分割弱监督文章。文章主要流程是先让图片经过一个普通CNN，得到一个score map（相当于分割网络最后的预测结果，几个类别就几个channel），然后将每个类别的score进行集合，这里作者没有使用求均值或者求max的方式，而是使用Log-Sum-Exp (LSE)进行计算（公式如下）：
s k = 1 r log [ 1 h o w o ∑ i , j exp ( r s i , j k ) ] s^k=\frac{1}{r}\log\left[\frac{1}{h^ow^o}\sum_{i,j}\exp(rs^k_{i,j})\right] sk=r1log[
最低0.47元/天 解锁文章
467
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
