《Weakly Supervised Semantic Segmentation Based on Web Image Co-segmentation》笔记

最新推荐文章于 2023-02-14 18:27:27 发布
最新推荐文章于 2023-02-14 18:27:27 发布
阅读量443 收藏 1
点赞数
分类专栏： 学习笔记 文章标签： 弱监督 图像分割
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/lytxiaohou/article/details/85093924
版权

《Weakly Supervised Semantic Segmentation Based on Web Image Co-segmentation》笔记


Based on Web Image Co-segmentation》笔记)

学习笔记，如有谬误，还请不吝赐教！

解决的问题

还是弱监督，嗯，兄弟和弱监督干上了，后面也还是弱监督… 这个就是用分类标签弱监督图像分割（都是骗人的！都是先用别的方法找一个差不多分割，然后CNN学掩码）。嗯，这篇也不例外… 所以，都好tm水啊…

流程

在这里插入图片描述

方法

step1
用《Enriching Visual Knowledge Bases via Object Discovery and Segmentation》方法找到分割图像（所以这篇文章才是本体…）训练集就是google出来的一堆图像，再CNN学掩码，这里的CNN是一个单独的。
step2
通过类标签fine tuning一下，下面的公式是如何由刚训练的CNN来生成带类标签的掩码，yi是根据图片分类信息得到的。这样就有标记的掩码了，再搞一个新的CNN，从头学。
在这里插入图片描述

再加一个支路做分类的监督训练
在这里插入图片描述

后记

应该看一下《Enriching Visual Knowledge Bases via Object Discovery and Segmentation》…

lytxiaohou
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Weakly-Supervised Semantic Segmentation via Sub-category Exploration
青灵_Yaffa的博客
07-18 1336
Weakly-Supervised Semantic Segmentation via Sub-category ExplorationAbstract问题1.Introduction Abstract 现有的使用图像级标注的弱监督语义分割方法通常依赖于初始响应来定位目标区域。然而，分类网络生成的这种响应图通常集中在有区别的对象部分，因为网络不需要优化目标函数的整个对象。为了强制网络关注对象的其他部分，我们提出了一种简单而有效的方法，通过利用子类别信息引入一个自我监督任务。具体来说，我们对图像特征进行聚类，
泛读论文：Image Segmentation 图像分割合集
汪汪汪的博客
03-19 3049
Image Segmentation Fully Convolutional Networks for Semantic Segmentation CVPR’15 问题 这是第一次训练端对端的FCN进行 像素级别预测 来自监督的预训练 方法 把传统的CNN的FC层换成了卷积层，然后上采样后通过跳接叠加输出 参考 https://arxiv.org/pdf/1411.4...
弱监督语义分割（Weakly-Supervised Semantic Segmentation）
lolisky的博客
02-14 4266
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。
【弱监督学习】End-to-end weakly supervised semantic segmentation with reliable region mining
weixin_43728604的博客
10-25 1594
这是一篇2022年发表在Pattern Recognition期刊上的一篇有关弱监督语义分割的文章。由于只使用图像级标签来训练语义分割模型扔充满挑战，并且现有弱监督方法都是两阶段的方法，缺少一个端对端的方法。所以本文提出了一个新的端对端弱监督语义分割方法。
【论文】Learning Affinity from Attention: ... Weakly-Supervised Semantic Segmentation with Transformers
rocking_struggling的博客
09-20 1191
论文阅读笔记：Learning Affinity from Attention: End-to-End Weakly-Supervised Semantic Segmentation with Transformers
Pseudo-Mask Matters in Weakly-Supervised Semantic.pdf
11-21
Pseudo-Mask Matters in Weakly-Supervised Semantic Segmentation
面向单阶段弱监督语义分割_Towards Single Stage Weakly Supervised Semantic Seg
02-11
面向单阶段弱监督语义分割_Towards Single Stage Weakly Supervised Semantic Segmentation.pdf
1-stage-wseg:图像标签的单阶段语义分割（CVPR 2020）
03-20
图像标签的单阶段语义分割该存储库包含本文的原始实现：图像标签的单阶段语义分割（ 和（ 参加CVPR2020。 联系人：Nikita Araslanov我们通过训练单一网络模型来获得竞争优势仅使用自我监督的方式进行细分图像级注释...
Perturbed Self-Distillation Weakly Supervised Large-Scale.pdf
11-21
Perturbed Self-Distillation Weakly Supervised Large-Scale Point Cloud Semantic Segmentation
MCIS_wsss:ECCV 2020纸代码（口头）
03-08
================================================== =========================快速开始测试安装Caffe：安装，然后转到segmentation文件夹并运行“ make all -j4 && make pycaffe”进行编译。 要继续，请参考确保...
IEEE Trans 上的论文“Image Co-segmentation via Saliency Co-fusion”的 Matlab 代码。 多媒体'16：此存储库由标题为“通过显着共融合的图像共细分”的论文代码组成-matlab开发
05-29
Matlab实现“通过显着共融合进行图像共分割”，TMM'16论文
Semantic Co-segmentation in Videos
01-05
Discovering and segmenting objects in videos is a challenging task due to large variations of objects in appearances, deformed shapes and cluttered backgrounds. In this paper, we propose to segment objects and understand their visual semantics from a collection of videos that link to each other, which we refer to as semantic co-segmentation. Without any prior knowledge on videos, we rst extract semantic objects and utilize a tracking-based approach to generate multiple object-like tracklets across the video. Each tracklet maintains temporally connected segments and is associated with a predicted category. To exploit rich information from other videos, we collect tracklets that are assigned to the same category from all videos, and co-select tracklets that belong to true objects by solving a submodular function. This function accounts for object properties such as appearances, shapes and motions, and hence facilitates the co-segmentation process. Experiments on three video object segmentation datasets show that the proposed algorithm performs favorably against the other state-of-the-art methods.
Seed, Expand and Constrain: Three Principles for Weakly-Supervised Image Segmentation（2016 ECCV）
THE XING
10-18 1727
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...
Co-segmentation（联合分割）论文摘记
AmazingJack的专栏
04-29 2912
[1][2]分别用潜在前景直方图的L1和L2距离来衡量前景的差异，并把该差异作为一项全局约束加入基于马尔科夫随机场的能量。通过优化该能量方程来实现共同前景的分割。但注意，不论是L1还是L2，方程整体都是NP-hard的，因此作者采用了不同的近似方法逼近准确结果，前者采用的TRGC后者采用了二次伪布尔优化（QPBO） 沿着这一思路文[3]采用了一个“奖励”模型，基于该模型可以得到次模的优化解，
图像分割___2
Vast_Sea的专栏
11-18 4322
From: http://www.cnblogs.com/xrwang/archive/2010/02/28/ImageSegmentation.html 前言     图像分割指的是将数字图像细分为多个图像子区域的过程，在OpenCv中实现了三种跟图像分割相关的算法，它们分别是：分水岭分割算法、金字塔分割算法以及均值漂移分割算法。它们的使用过程都很简单，下面的文章权且用于记录，并使该
弱监督语义分割--Weakly Supervised Semantic Segmentation using Web-Crawled Videos
AI小作坊 的博客
06-09 9050
Weakly Supervised Semantic Segmentation using Web-Crawled Videos CVPR2017https://arxiv.org/abs/1701.00352一不小心看到了一篇关于弱监督的语义分割的文献，这才发现仅一个弱监督语义分割就是大坑啊，看看这篇文章的参考文献就知道了。与弱监督对应的就是强监督语义分割，即我们平时所说的语义分割，训练样本就是
何恺明等人提TensorMask框架：比肩Mask R-CNN，4D张量预测新突破
AI科技大本营
03-30 1829
点击上方↑↑↑蓝字关注我们~「2019 Python开发者日」7折优惠最后2天，请扫码咨询 ↑↑↑整理 | 刘畅、Jane责编 | Jane出品 | AI科技大本营（id...
粗读Complementary Patch for Weakly Supervised Semantic Segmentation
qq_42578970的博客
10-15 743
以往的弱监督语义分割都是通过利通类激活图(Class Activation Map,CAM)来生成伪标签。然而CAM只是从少量区域中发现种子，不足以成为语义分割的伪掩码。作者就将图片分为互补的两部分，两部分分别得到的CAM所蕴含的信息要大于等于原有的整幅图像直接生成的CAM。因此，通过缩小这一堆互补图像生成的CAM和原图像直接生成的CAM，即可获得具有更多关于目标种子的信息的CAM。为了达到这一目的，作者提出了一个三元组网络(CPN)和三个正则化函数，并取得了良好的结果。为了进一步提高CAM...
Regional Semantic Contrast and Aggregation for Weakly Supervised Semantic Segmentation
最新发布
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.

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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