极简笔记 多篇weakly supervised segmentation笔记

最新推荐文章于 2024-07-13 17:38:49 发布
最新推荐文章于 2024-07-13 17:38:49 发布
阅读量4k 收藏 10
点赞数 3
分类专栏： 极简笔记
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Hibercraft/article/details/86541164
版权
这篇博客总结了弱监督图像分割的三种方法，包括Backtracking ScSPM Image Classifier的遮挡策略，Seed, Expand and Constrain (SEC) 的三原则，以及Weakly Supervised Semantic Segmentation中Superpixel Pooling Network的应用。SEC通过seed、expand和constrain损失实现分割，而SPN利用Superpixel Pooling Layer扩大分类响应区域。这些技术在PASCAL VOC2012上取得了显著成果。" 115256988,5635788,MotionRNN：视频预测中的时空变化运动建模,"['计算机视觉', '深度学习', '视频处理', '自然语言处理', '人工智能']
摘要由CSDN通过智能技术生成

极简笔记 多篇weakly supervised segmentation笔记

Backtracking ScSPM Image Classifier for Weakly Supervised Top-down Saliency

在这里插入图片描述

文章主要思想是通过遮挡部分区域，观察分类confidence的改变来决定pixel-level的预测。文章没有使用CNN结构，而是使用SIFT特征+稀疏编码+SVM进行图像分类，由于稀疏编码需要向量字典，因此分类特征的每一维能对应到原图的patch，通过判断该位特征是否对分类起positive作用来判断原patch属于object的概率。得到大量候选patch之后，通过掩码的方式把分类特征中与该patch维度无关的元素设为0，在进行分类，如果预测confidence大于0.5则认为该patch落在saliency范围。

思考：个人认为文章存在的问题是分类最显著区域不包含object全部范围，常常只是动物头部位置，当头部被遮挡，其他区域都有较大可能无法分类，因此该方法无法进行整体区域的细微分割。以及稀疏编码做分类这个强监督baseline有点低。

Seed, Expand and Cons

最低0.47元/天 解锁文章
Hibercraft
关注
专栏目录
极简笔记 Weakly Supervised Instance Segmentation using Class Peak Response
Hibercraft的博客
07-14 4454
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...
Semantic Supervised Segmentation
12-21
Semantic Segmentation, Edge Detection,State of Art
【弱监督学习】Weakly supervised segmentation of SAR imagery using superpixel and hierarchically adversarial
weixin_43728604的博客
10-18 964
这是一篇2019年发表在Remote sensing期刊上的有关SAR图像语义分割的弱监督工作。这篇文章的动机是要解决现有的大多数方法通常忽略图像的外观和空间连续性、需要大量的训练数据、算法不能够实现实时性的问题。提出了一种结合条件GAN（CGAN）和CRF的一种弱监督语义分割方法。
【弱监督时间动作定位】Weakly-supervised Temporal Action Localization by Uncertainty Modeling 论文阅读
最新发布
weixin_44609958的博客
07-13 624
弱监督时序动作定位旨在仅使用视频级别标签来学习检测动作类别的时序区间。为此，将动作类别的帧与背景帧（即不属于任何动作类别的帧）分离至关重要。在本文中，我们提出了一种关于背景帧的新视角，即将它们视为与其不一致性相关的分布外样本。随后，可以通过估计每帧作为分布外样本的概率（即不确定性）来检测背景帧，但在没有帧级别标签的情况下直接学习这种不确定性是不可行的。为了在弱监督设置下实现不确定性学习，我们利用了多实例学习公式。此外，我们还引入了背景熵损失以更好地区分背景帧。
弱监督语义分割（Weakly-Supervised Semantic Segmentation）
lolisky的博客
02-14 4918
弱监督语义分割通过利用更简单易得的图像级标注，以训练分类模型的方式获取物体的种子分割区域并优化，从而实现图像的像素级、密集性预测。
《Constrained Convolutional Neural Networks for Weakly Supervised Segmentation》翻译
lwycc2333的博客
05-12 2009
弱监督分割的约束卷积神经网络 摘要 我们提出了一种从图像级标签学习密集像素级标签的方法。每个图像级标签都对卷积神经网络(CNN)分类器的输出标签施加约束。我们提出约束CNN(CCNN)，一种利用新的损失函数对输出空间上的任意一组线性约束进行运算定时的方法(即预测标签分布)的CNN。我们的损失形式很容易优化，可以直接纳入标准随机梯度下降优化。其核心思想是将训练目标描述为线性模型的双线性化，然后将其松...
【eccv2016-论文笔记】《Seed, Expand and Constrain: ... Weakly-Supervised Image Segmentation》
m0_62581245的博客
07-19 1203
弱监督语义分割领域经典架构SEC——弱监督应用到语义分割领域使用现有的分类或目标检测模型（拥有分类或检测的标注文件）实现语义分割任务，目的为节省昂贵的pixel-level像素级的标注成本。大多将弱监督应用到语义分割的流程为利用现有的分类或检测的标注文件通过某种算法（如CAM）得到粗粒度即不精确的分割标注文件，也叫pseudo-label伪标签，直接使用伪标签训练分割网络，最后再通过某种算法（如CRF）对结果进行优化。也就是说大多的弱监督研究重点在于如何更好的生成伪标签，即更好的训练生成网络。.......
《Mining Cross-Image Semantics for Weakly Supervised Semantic Segmentation》阅读笔记
weixin_44846680的博客
01-19 728
《Mining Cross-Image Semantics for Weakly Supervised Semantic Segmentation》阅读笔记，来自CVPR2020
【论文笔记】Simple Does It: Weakly Supervised Instance and Semantic Segmentation
dzm123lalala的博客
05-16 2374
abstract Semantic labelling and instance segmentation are two tasks that require particularly costly annotations. Starting from weak supervision in the form of bounding box detection annotations, we ...
论文阅读笔记：Weakly-supervised Semantic Segmentation in Cityscape via Hyperspectral Image
weixin_45055102的博客
12-04 575
论文阅读笔记：Weakly-supervised Semantic Segmentation in Cityscape via Hyperspectral Image 论文题目：Weakly-supervised Semantic Segmentation in Cityscape via Hyperspectral Image 代码链接：https://github.com/NJU-hyx/Hyperspectral-Image-Semantic-Segmentation-in-Cityscapes 一、
四章：Constrained-CNN losses for weakly supervised segmentation——弱监督分割的约束CNN损失函数
ADICDFHL的博客
07-26 624
本文提出了一种新颖的损失函数用于弱监督图像分割，尽管其简单性，但在这个任务中表现出比拉格朗日优化显著更好的性能。我们通过仅标注少量像素，在三个不同任务中实现了接近全监督的结果，并且计算开销几乎可以忽略不计。虽然我们的实验主要集中在基本的线性约束，如目标区域的尺寸和图像标签上，但我们的直接约束CNN损失函数可以很容易地扩展到其他非线性约束，例如不变形状矩（Klodt和Cremers，2011）或其他区域统计量（Lim等，2014）。因此，它有潜力在语义医学图像分割中弥合弱监督学习和全监督学习之间的差距。
《STC: A Simple to Complex Framework for Weakly-supervised Semantic Segmentation》笔记
lytxiaohou的博客
12-24 957
《STC: A Simple to Complex Framework for Weakly-supervised Semantic Segmentation》笔记学习笔记，如有谬误，还请不吝赐教！解决的问题以及方法框架及细节Initial DCNNEnhanced-DCNNPowerful-DCNN后记 学习笔记，如有谬误，还请不吝赐教！ 解决的问题以及方法 Image level的弱监督分割算...
Weakly Supervised Semantic Segmentation list
AnnCY
12-17 628
Weakly Supervised Semantic Segmentation list This repository contains lists of state-or-art weakly supervised semantic segmentation works. Papers and resources are listed below according to supervisio...
Seed, Expand and Constrain: Three Principles for Weakly-Supervised Image Segmentation（2016 ECCV）
THE XING
10-18 1760
1.Seed, Expand and Constrain: Three Principles for Weakly-Supervised Image Segmentation（2016 ECCV） Seed: to seed with weak localization cues. Expand: to expand objects based on the information abo...
《Constrained-CNN Losses for Weakly Supervised Segmentation》论文笔记
lwycc2333的博客
04-17 1141
摘要 基于部分图片标签或者图片标记的弱监督学习，在CNN分割领域引起了广泛的关注，因为它可以减轻完全和繁琐的像素标注的需要。在网络输出中，利用高阶（全局）不平等约束（例如，去约束约束目标域的大小）可以减轻无标签的数据，从而指导运用了特殊领域知识的训练过程。不平等的约束是非常灵活的，因为它们不需要假设精准的先验知识。然而，被约束的拉格朗日对偶优化，在深度网络中被避免大量使用，主要是因为计算机的可追踪...
Weakly-Supervised Semantic Segmentation by Iteratively Mining Common Object Features-CVPR2018论文笔记
weixin_41950276的博客
09-30 2985
Abstract.   在图像标签的的监督下，弱监督的语义分割任务是一件很困难的事情，因为他直接将high-level semantic和low-level appearence结合了起来。 Introduction.   在图像的label的监督下，弱监督的语义分割是对于图像进行像素级的分割，只能给图像中已经现存的语义物体提供 label。由于semantic segmentation只需...
CONTA: Causal Intervention for Weakly-Supervised Semantic Segmentation
m0_50888279的博客
10-02 456
As the part of theory is hard to understand, I will start from method part and complete theory part in the future method The most difficult part is the meaning of C: confounder set. The cic_ici​ is the average of all XMX_MXM​ which is the processed CAMs.
Weakly-supervised Instance Segmentation via Class-agnostic Learning with Salient Images
qq_49230659的博客
07-13 1231
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.
Weakly Supervised Semantic Segmentation
07-27
弱监督语义分割是一种语义分割任务的训练方法，其中标注数据的标签信息相对不完整或不精确。通常，标准的语义分割需要每个像素的精确标签，而弱监督语义分割允许使用更高级别的标签信息来训练模型。 在弱监督语义分割中，常见的方法之一是使用图像级别的标签来训练模型。这意味着我们只有整个图像的标签，而没有每个像素的精确标注。一种常见的方法是使用图像级别的标签来生成像素级别的伪标签，然后使用这些伪标签进行训练。这可以通过使用预训练的图像分类模型来实现，将其应用于输入图像，然后根据分类结果生成伪标签。 另一种方法是利用辅助信息来进行弱监督分割。例如，可以使用辅助标注工具来标记一些关键对象或区域，并将其作为辅助信息来训练模型。这种方法可以在模型训练过程中使用辅助信息来引导分割结果的学习。 还有其他一些方法，如使用部分标注数据、多示例学习等，都可以用于弱监督语义分割。这些方法的目标是在缺乏精确标签的情况下，利用可用的标签信息进行有效的模型训练和语义分割任务。 请注意，这些方法都是为了在缺乏精确标注的情况下进行语义分割训练，但由于标签信息的不完整性或不精确性，可能会对分割结果的准确性产生一定的影响。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值