《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
读书笔记图像分割在遥感领域里的应用
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
【半监督图像分割】2021-CPS CVPR
wujing1_1的博客
11-21 3320
在这篇论文中，我们为半监督语义分割任务设计了一种非常简洁而又性能很好的算法：cross pseudo supervision (CPS)。训练时，我们使用两个相同结构、但是不同初始化的网络，添加约束使得两个网络对同一样本的输出是相似的。具体来说，当前网络产生的one-hot pseudo label，会作为另一路网络预测的目标，这个过程可以用cross entropy loss监督，就像传统的全监督语义分割任务的监督一样。
半监督学习在图像分割任务中的实践
禅与计算机程序设计艺术
01-02 518
1.背景介绍 图像分割是计算机视觉领域中的一个重要任务，它涉及将图像中的不同区域划分为多个部分，以便更好地理解图像的内容和结构。传统的图像分割方法通常需要大量的标注数据来训练模型，但这种方法存在两个主要问题：一是标注数据的收集和维护成本较高，二是标注数据的质量和准确性难以保证。因此，近年来，研究者们开始关注半监督学习在图像分割任务中的应用，因为它可以在有限的标注数据下达到较好的效果。 半监督学...
弱监督学习在医疗图像分割中的应用 - WSL4MIS
最新发布
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...
半监督医学图像分割（一）：CANet(2023)Context-aware network fusing transformer and V-Net for semi-supervised
weixin_51775081的博客
11-13 2462
在复现了好几个半监督网络，这篇的训练过程较快，在2、3个小时就可以训练完。各项评价指标与文中给的10%的标签结果相差0.1~0.2左右。
半监督学习在图像分割中的应用
禅与计算机程序设计艺术
01-05 694
1.背景介绍 图像分割是计算机视觉领域中的一个重要任务，它涉及将图像划分为多个区域，以便对这些区域进行分类和识别。传统的图像分割方法通常需要大量的标注数据，以便训练模型。然而，收集和标注大量的图像数据是一个耗时和费力的过程，这限制了传统方法在实际应用中的范围。 半监督学习是一种机器学习方法，它在训练过程中结合了有标签数据和无标签数据，以便训练更强大的模型。在图像分割任务中，半监督学习可以帮助我...
半监督医学影像分割综述
qq_45745941的博客
03-07 2433
分为五类:对抗性方法、一致性正则化、伪标记、对比学习和混合方法使用该领域最常见的两个数据集:PASCAL VOC 2012和Cityscapes10种方法组成，本文认为属于相互训练的方法(即DMT)是性能最好的方法反思了目前半监督分割的挑战和潜在的未来研究方向，强调了实验和评估框架标准化的必要性，在图像不受控制且类之间具有丰富语义依赖的情况下使用现实基准的方便性，以及最近应用于CV的新技术视觉变压器在半监督场景中的潜在应用区，不同的实现或基本模型的版本具有改进潜力的方法群。
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...
【半监督医学图像分割 2022 TMI】ASE-Net
wujing1_1的博客
07-16 868
目前流行的半监督医学图像分割网络由于在不同的数据扰动下使用一致性学习来正则化模型训练，经常受到未标记数据的错误监督。这些网络忽略了标记和未标记数据之间的关系，只计算单个像素级的一致性，导致预测结果不确定。此外，由于骨干网的设计依赖于有监督的图像分割任务，这些网络往往需要大量的参数。此外，由于半监督图像分割通常采用少量的训练样本，这些网络往往面临较高的过拟合风险。针对上述问题，本文提出了一种基于动态卷积(ASE-Net)的对抗自拟网络，用于半监督医学图像分割。
【半监督医学图像分割 2022 IJCAI】UGPCL
wujing1_1的博客
07-15 808
近年来，对比学习在医学图像分割中显示出巨大的潜力。然而，由于缺乏专家注释，将对比学习应用于半监督场景具有挑战性。为了解决这一问题，我们提出了一种新的不确定性引导的像素对比学习方法用于半监督医学图像分割。具体来说，我们为每个未标记图像构造一个不确定性映射，然后去除不确定性映射中的不确定性区域，以减少噪声采样的可能性。不确定性映射是由一个精心设计的一致性学习机制确定的，该机制通过鼓励来自两个不同解码器的一致网络输出来为未标记数据生成综合预测。
【半监督医学图像分割】2022-MedIA-UWI
wujing1_1的博客
09-02 891
由于难以获取大量标记数据，半监督学习在医学图像分割中正成为一种有吸引力的解决方案。为了利用未标记数据，目前流行的半变量方法（如时态集成、均值教师）主要对未标记数据施加数据级和模型级的一致性。在本文中，我们认为除了这些策略之外，我们还可以进一步利用辅助任务和考虑任务级一致性来更好地从未标记数据中挖掘有效的表示来进行分割。
【半监督图像分割 2022 CVPR】UCC
wujing1_1的博客
06-30 852
深度神经网络（DNNs）在语义分割方面取得了巨大的成功，这需要大量的标记数据进行训练。我们提出了一个新颖的学习框架，称为不确定性引导的交叉头协同训练（UCC），用于半监督的语义分割。我们的框架在一个共享编码器中引入了弱增强和强增强，以实现协同训练，这自然结合了一致性和自我训练的好处。每个分割头都与它的同伴互动，弱增强的结果被用来监督强增强。一致性训练样本的多样性可以通过动态交叉集复制粘贴（DCSCP）来提高，这也缓解了分布不匹配和类不平衡的问题。此外，我们提出的不确定性引导的再加权模块。
半监督图像分割-综述
wujing1_1的博客
05-22 939
语义分割是计算机视觉中一个重要而热门的研究领域，其重点是根据图像中像素的语义对其进行分类。然而，监督式深度学习需要大量的数据来训练模型，并且逐像素标记图像的过程既耗时又费力。本文旨在对半监督语义分割领域中伪标签方法的最新研究成果进行全面和有组织的综述，从不同的角度对其进行分类，并针对具体的应用领域提出具体的方法。此外，我们还探索了伪标签技术在医学和遥感图像分割中的应用。最后，针对目前存在的挑战，提出了未来可行的研究方向。
【半监督医学图像分割 2021 CVPR】CVRL 论文翻译
wujing1_1的博客
02-13 765
对比学习(CL)的目的是在医学图像分割的背景下，在不依赖专家注释的情况下学习有用的表示。现有的方法主要是通过简单地将所有输入特征映射到相同的常数向量中，将单个正向量（即同一图像的增强）与整个批处理剩余部分中的一组负向量进行对比。尽管这些方法取得了显著的经验效果，但仍存在以下不足：（1）防止问题崩溃为琐碎的解决方案仍然是一个艰巨的挑战；（2）由于同一图像中存在着不同的解剖结构，因此并不是同一图像中的所有体素都具有相同的正性。
总结 | 基于深度学习的医学图像半监督分割
小白学视觉
07-19 1495
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达来自 | 知乎作者 |luoxd链接 | https://zhuanlan.zhihu.com/p/257109614本文仅作学术分享，如有侵权，请联系后台删除准确、鲁棒地从医学图像中分割出器官或病变在许多临床应用中起着至关重要的作用，如诊断和治疗计划。随着标注数据的大量增加，深度学习在图像分割方...
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...
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