《弱监督/半监督的DCNN图像分割》笔记

最新推荐文章于 2024-06-02 09:37:22 发布
最新推荐文章于 2024-06-02 09:37:22 发布
阅读量3.7k 收藏 8
点赞数 2
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/85100497
版权

《Weakly- and Semi-Supervised Learning of a Deep Convolutional Network for Semantic Image Segmentation》笔记


Semantic Image 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

这篇文章提出的方法可以用分类标签或者boundingbox标签来做弱监督的分割，糅合上强监督的分割，就是半监督的算法。这里重点了解半监督算法。

分类标签

我觉得这篇文章最亮点的地方就在这里了（然而最后效果并不理想，还是抱了boundingbox的大腿，但boundingbox的方法就很一般了…），只有分类标签，怎么监督学习分割图像呢？这里提出的思想就是分割图像是分类结果的隐变量，这样就可以套EM算法学习分割图像。
在这里插入图片描述
先说符号表示
在这里插入图片描述

联合分布：
在这里插入图片描述
这个公式我想了半天，觉得这里最后一项之所以不是P(z|x,y)是因为z作为标签，本来就是根据x来的，所以z其实就是z|x，这里就直接省略了。或者说这就是一个马尔科夫过程，大家条件独立。不知道这样想对不对…

先给他EM算法的流程：
在这里插入图片描述
这里应该就是按住 θ \theta

最低0.47元/天 解锁文章
lytxiaohou
关注
  • 2
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
机器学习笔记 - 语义分割学习与理解
学以致用 知行合一
03-14 2796
语义分割中的深度学习技术 用于语义图像分割的深度卷积网络的弱和半监督学习 完全卷积网络的语义分割 U-Net：用于生物医学图像分割的卷积网络 用于语义分割的全卷积DenseNets 扩张卷积的多尺度上下文聚合 DeepLab：具有深度卷积网络，Atrous卷积和完全连接的CRF的语义图像分割 Atrous卷积用于语义图像分割 带有可分离卷积的编码器-解码器用于语义图像分割 FastFCN：重新思考骨干中的扩张卷积以进行语义分割 通过视频传播和标签松弛改善语义分割
【综述笔记】一些弱监督语义分割论文
idol24的博客
04-23 3740
点击上方“机器学习与生成对抗网络”，关注"星标"获取有趣、好玩的前沿干货！这里的弱监督信息为image-level的类别信息，即没有像素级的语义分割标签，而仅有图像级的类...
弱监督学习在医疗图像分割中的应用 - WSL4MIS
gitblog_00025的博客
06-02 425
弱监督学习在医疗图像分割中的应用 - WSL4MIS 项目地址:https://gitcode.com/HiLab-git/WSL4MIS 项目介绍 WSL4MIS(Weakly-supervised learning for medical image segmentation)是一个专注于医疗图像分割的开源项目，源自于我们在MedIA2022和MICCAI2022发表的两项研究——WORD 和...
语义分割-弱监督学习
weixin_33566282的博客
04-07 1167
CV论文笔记： https://github.com/ming71/CV_PaperDaily 知乎的文章，比较老，但可以查看先前的工作 https://zhuanlan.zhihu.com/p/23811946 新的 https://www.zhihu.com/question/53263115 该部分总结截止到2019年4月 https://github.com/JackieZhangdx/W...
【学习笔记】视频检测方法调研
W9XM96的博客
07-27 1930
视频检测方法的调研报告，包括视频目标跟踪、视频异常检测、深度伪造人脸检测、异常行为识别等多个场景
深度学习系列资料总结
热门推荐
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
07-17 2万+
说明本系列深度学习资料集合包含机器学习、深度学习等各系列教程，主要以计算机视觉资料为主，包括图像识别、分类、检测、分割等，内容参考Github及网络资源，仅供个人学习。深度学习定义一般是指通过训练多层网络结构对未知数据进行分类或回归深度学习分类有监督学习方法——深度前馈网络、卷积神经网络、循环神经网络等；无监督学习方法——深度信念网、深度玻尔兹曼机，深度自编码器等。手写机器学习笔记github机器学习算法公式推导以及numpy实现github人工智能相关术语link。..................
《Convolutional Neural Network for Sentence Classification》论文阅读笔记
青柠space
04-06 1757
CNN在自然语言处理应用的开篇之作，本篇文章是作者在阅读一些blog以及论文《Convolutional Neural Network for Sentence Classification》的阅读笔记和总结。
Deep Learning on Graphs: A Survey论文笔记
风行
09-03 699
Deep Learning on Graphs: A Survey问题术语表示词汇说明摘要信息文章框架主要内容读出操作什么是读出操作(readout operation)读出操作要求的顺序不变性(Order Invariance)读出操作的方法总结GCNs改进和讨论注意力机制残差和跳跃连接边缘特征离散边缘特征采样方法问题的引入抽样方法Inductive Setting什么是inductive setting？可以研究的方向Theoretical Analysis,理解为什么GCNs有效node-focuse
论文笔记（3）：STC: A Simple to Complex Framework for Weakly-supervised Semantic Segmentation
weixin_30622107的博客
01-02 321
论文题目是STC，即Simple to Complex的一个框架，使用弱标签（image label）来解决密集估计（语义分割）问题。 2014年末以来，半监督的语义分割层出不穷，究其原因还是因为pixel级别的GroundTruth太难标注，因此弱监督成了人们研究的一个热门方向。 作者的核心思想是提出了层层递进的三个DCNN。 具体来讲，作者一共训练了三个网络：Initial D...
工业缺陷检测深度学习方法综述——学习笔记（评价：这篇华科大的文章错误百出，学术一点都不严谨，别误人子弟了好吧。。。）
Atticus的博客
12-21 2160
基于深度学习的工业缺陷检测方法可以降低传统人工质检的成本, 提升检测的准确性与效率,因而在智能制造中扮演重要角色, 并逐渐成为计算机视觉领域新兴的研究热点之一. 其被广泛地应用于无人质检、智能巡检、质量控制等各种生产与运维场景中. 本综述旨在对工业缺陷检测的任务定义、难点、挑战、主流方法、公共数据集及评价指标等进行全面归纳, 以帮助研究人员快速了解该领域. 具体而言, 本文首先介绍工业缺陷检测的背景与特点. 接着, 按照实际数据标注情况, 划分出缺陷模式已知、缺陷模式未知与少量缺陷标注 3 种研究任务设置,
读书笔记图像分割在遥感领域里的应用
最新发布
07-12
遥感图像语义分割，读书笔记图像分割在遥感领域里的应用
数字图像处理笔记⑥-图像分割.pdf
05-12
本篇笔记主要介绍了几种常用的图像分割方法。 首先，边缘检测是图像分割的基础，它寻找图像中灰度值发生显著变化的位置，通常这些位置代表了图像中的边界。边缘可以通过分析图像的一阶和二阶导数来识别。当图像灰度...
深度学习500问之图像分割-附笔记
08-31
在弱监督学习的图像分割中，CNN被用于处理Scribble标记、图像级别标记等不同类型的数据，通过设计统一的框架，能够在少量标注信息下进行有效的学习。 常用的图像分割数据集包括PASCAL VOC、MS COCO和Cityscapes，...
ITK图像分割与配准学习笔记3（图像分割）.txt
12-03
本资源包含入门ITK图像分割中实例源码和用到的素材文件： 包含： 区域增长算法（连接门限、OTSU、...本资源配套CSDN博客“基于C++的ITK图像分割与配准学习笔记3（图像分割）”，可 前往查看具体原理和实现效果！！！
图像分割笔记.docx
07-02
图像分割笔记主要介绍了基于图的图像分割、最大流/最小割、图像分割算法、图像区域定义、图像图表示等方面的知识点。 基于图的图像分割 基于图的图像分割是一种常用的图像分割方法，它将图像看作是一个图，图中的...
DEEP LEARNING FOR ANOMALY DETECTION : A SURVEY 笔记
lytxiaohou的博客
09-28 4316
DEEP LEARNING FOR ANOMALY DETECTION : A SURVEY 笔记学习笔记，如有谬误，还请不吝赐教！瞎BB以及不错的链接还不散，那就看文章吧，反正我也是google翻译的~1. Introduction2,3. 何为异常和新颖4. 动机和挑战5,6,7 略（嗯，博主就是这么敷衍...）8. DAD的不同方面8.1 数据性质8.2 基于标记信息8.2.1 Superv...
《Deep GrabCut for Object Selection》笔记
lytxiaohou的博客
12-09 1424
《Deep GrabCut for Object Selection》笔记学习笔记，如有谬误，还请不吝赐教！解决的问题基本结构交互式遗留问题 学习笔记，如有谬误，还请不吝赐教！ 解决的问题 图像分割比较难做，即使是深度学习的算法，在分割问题上需要大量像素级标记信息，这就很不人道… 而传统的分割方法中有一类交互式的分割，就是抠图… 这篇文章就是用CNN做interactive的分割。不过它为啥叫Gr...
《STC: A Simple to Complex Framework for Weakly-supervised Semantic Segmentation》笔记
lytxiaohou的博客
12-24 944
《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...
半监督深度学习的学习笔记
07-27
半监督深度学习是一种结合了监督学习和无监督学习的方法，旨在利用有限的标记数据和大量的未标记数据来进行模型训练。在半监督学习中，回归任务是核心，而分类任务的信息被用来优化回归函数。\[2\]半监督学习的目标是通过找到一个函数来适应数据，从而实现回归任务。这个函数的优化过程则利用了分类任务的信息。\[2\] 在半监督学习中，还有一种特殊情况叫做自监督学习。自监督学习是一种从大规模无监督数据中挖掘自身监督信息的机器学习方法。它需要标签，但这些标签不是来自人工标注，而是来自数据本身。自监督学习的监督信号源于数据本身的内容，也可以看作是实例级别的标注，每个样本是一个类。自监督学习方法可以基于上下文、时序或对比等方式进行。\[3\] 所以，半监督深度学习是一种结合了监督学习和无监督学习的方法，旨在利用有限的标记数据和大量的未标记数据进行模型训练。而自监督学习则是半监督学习的一种特殊情况，它通过挖掘数据本身的监督信息来进行训练。\[1\]\[2\]\[3\] #### 引用[.reference_title] - *1* *2* [半监督学习笔记（一）：综述，定义，方法](https://blog.csdn.net/IRONFISHER/article/details/120328715)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control,239^v3^insert_chatgpt"}} ] [.reference_item] - *3* [机器学习（Machine learning，ML） 学习笔记（区分监督学习与半监督学习）](https://blog.csdn.net/czmjy/article/details/124426142)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]
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