![](https://img-blog.csdnimg.cn/20190927151026427.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
弱监督语义分割
文章平均质量分 95
WSSS论文和代码
Backto2020
润润润!
展开
-
弱监督语义分割 OME
摘要 - 遥感图像的语义分割对于大规模土地覆盖制图非常有效,但这需要大量的训练数据以进行繁重的像素级标注。由于图像级别标签容易获取,因此基于它们的弱监督语义分割(WSSS)引起了广泛关注。然而,现有的遥感图像的图像级别WSSS方法主要侧重于二进制分割,难以应用于多类别情景。本研究提出了一种综合框架,用于遥感图像的多类别图像级别WSSS,包括适当的图像级别标签生成、高质量的像素级伪掩模生成以及分割网络的迭代训练。具体而言,提出了一种训练样本筛选方法,以及一种数据集共现评估指标,以展示适当的图像级别训练样本。翻译 2023-11-07 20:34:55 · 227 阅读 · 0 评论 -
弱监督语义分割 SEAM
图像级弱监督语义分割是一个具有挑战性的问题,已在重新深入研究分年。大多数先进的解决方案利用类激活化地图(CAM)。然而,CAM 很难充当由于充分监督和弱监督之间的差距而造成的对象掩模西翁。在本文中,我们提出了一种自我监督的等变注意力机制(SEAM)发现额外的监督并缩小差距。我们的方法基于观察到等变性是一个隐含的约束完全监督的语义分割,其像素级标签采用与输入图像相同的空间变换数据增强期间的年龄。然而,这个约束在经过图像级监督训练的 CAM 上丢失了。翻译 2023-11-05 11:24:10 · 497 阅读 · 1 评论 -
弱监督语义分割 IRNet
本文提出了一种使用图像级别类别标签作为监督的实例分割的新方法。我们的方法生成训练图像的伪实例分割标签,然后使用这些标签来训练一个完全监督的模型。为了生成伪标签,我们首先从图像分类模型的注意力图中识别出物体类别的自信种子区域,并将它们传播以发现具有准确边界的整个实例区域。为此,我们提出了IRNet,它估计了各个实例的粗略区域并检测了不同物体类别之间的边界。这使得可以为这些种子分配实例标签,并在边界内传播它们,以便可以准确估计整个实例的区域。翻译 2023-11-02 14:48:08 · 637 阅读 · 0 评论