ECCV2020:Weakly Supervised Semantic Segmentation with Boundary Exploration边界探索的弱监督语义分割解析

最新推荐文章于 2024-06-20 09:44:51 发布
最新推荐文章于 2024-06-20 09:44:51 发布
阅读量1.2k 收藏 4
点赞数
分类专栏： 文献解析paper 文章标签： 机器学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY 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/qq_19168521/article/details/111932810
版权
本文探讨了一种弱监督语义分割方法，通过边界探索(BES)提高分割性能。在仅使用图像级标签的情况下，改进的CAM(attention-pooling CAM)用于初始定位，然后BES通过合成边界标签细化分割。在PASCAL VOC 2012上，该方法实现了65.7%和66.6%的mIoU分数，但面临复杂物体分割的挑战。
摘要由CSDN通过智能技术生成

ECCV2020:Weakly Supervised Semantic Segmentation with Boundary Exploration边界探索的弱监督语义分割解析

引入

近年来，在场景识别需求的驱动下，人们提出了各种模型来准确分割图像中的前景。如2017年提出的金字塔场景解析网络和一种用于语义分割的DeepLab，然而，用于训练语义分割网络的人工标注需要大量的资金投入，是一项耗时的工作。减轻对像素级注释的严重依赖,因此这篇文章采用采用弱监督学习的方法进行语义分割。
如Pyramid scene parsing network.（2017）
Pyramid scene parsing network.（2017）
Deeplab: Semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected crfs. (2017)
Deeplab: Semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected crfs. (2017)

弱监督方法

在这里插入图片描述

与完全监督分割学习相比，弱监督分割方法由于其所需标签的简单性和可用性而引起了人们的广泛

最低0.47元/天 解锁文章
Akita·wang
关注
  • 0
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
弱监督语义分割相关论文——对CAM的生成过程进行改进
qchongwangzhe的博客
10-19 554
在弱监督语义分割中，对CAM的生成过程进行改进的论文。CAM生成过程为标签数据输入分类网络进行训练，因此对CAM的改进也可以进一步分为对数据、分类模型、标签的改进1、数据：一到五都是对数据进行操作（仿射变换、擦除、拆分、混合标签），再设计损失函数进行约束2、分类模型：六（损失函数和全局池化）3、标签：七（聚类细化标签）
ECCV2020语义分割.zip
10-05
ECCV2020语义分割论文
Weakly Supervised Semantic Segmentation with Boundary Exploration
qq_49230659的博客
07-26 848
From Semantic Categories to Fixations: A Novel Weakly-supervised Visual-auditory Saliency Detection Approach摘要 摘要 多亏了深度学习和大规模训练数据集的快速发展，视频显著性检测模型的表现显著增强。然而，基于音视频眼动点预测的深度学习仍具有挑战性。目前，只有少数视音频序列具有在真实视音频环境中记录的真实注视。 因此，在相同的视音频环境下重新收集真实的注视既没有效率也没有必要。为了解决这样的问题，本文提
引入新高度：弱监督语义分割的卓越之选 —— Awesome Weakly-supervised Semantic Segmentation
最新发布
gitblog_00074的博客
06-20 337
???? 引入新高度：弱监督语义分割的卓越之选 —— Awesome Weakly-supervised Semantic Segmentation 项目地址:https://gitcode.com/gyguo/awesome-weakly-supervised-semantic-segmentation 在计算机视觉领域中，语义分割作为一种重要且基础的技术，在自动驾驶、医学影像识别以及机器人导航等方面...
Weakly Supervised Semantic Segmentation with Boundary Exploration论文解读
qq_42688502的博客
10-22 1134
Weakly Supervised Semantic Segmentation with Boundary Exploration论文解读 摘要：为了在弱监督下获得语义分割，本文提出了一种简单而有效的方法，该方法基于从训练图像中显式探索对象边界以保持。 具体来说，我们通过利用从分割和边界的一致率。具体来讲，利用CNN分类器获得的粗定位映射来合成边界注释，并使用注释来训练本文提出的称为BENet的网络，BENet可以进一步挖掘更多的对象边界来为语义分割提供约束。 最后，利用生成的训练图像伪注释来监督一个现成的
未知环境探索（二）基于边界点的自主环境探索
haliofwu的专栏
12-01 5182
（一）探索导向点指引下的环境探索 通过对环境的分析，相应的信息处理，提取出引导机器人完全探索一系列未知环境的目标点。 探索导向点的提取： 获取激光数据——>提取运动目标点——>探索决策树——>有限的时间内构建出完整或近似完整的环境地图。 几种方法的简单介绍：（力求大体上能懂，最好能实现出来） 1.A Frontier-Based Approach for Autonomous E
弱监督语义分割和边界探索（2020 ECCV）（论文学习总结）
十二月未央未眠
10-31 404
ECCV 2020语义分割相关文章41篇
10-15
2. **弱监督语义分割**：由于完全监督的语义分割需要大量标注数据，弱监督方法尝试利用更少的标注信息，如点标注或边界框，来训练模型。这些方法通常涉及模型自我监督、先验知识利用和半监督学习策略。 3. **半监督...
ECCV2020语义分割论文_神经网络_深度学习_语义分割_
10-03
ECCV（欧洲计算机视觉会议）是该领域的重要学术会议，2020年的会议集中展示了最新的研究成果。以下是对这六篇论文的概述及其中涉及的知识点的详细解析： 1. **Class-wise Dynamic Graph Convolution for Semantic ...
MCIS_wsss:ECCV 2020纸代码（口头）
03-08
MCIS_wsss 用于弱监督语义分割的跨图像语义挖掘代码[ECCV 2020（oral）] CVPR 2020研讨会上最佳论文奖和WSSS获奖者解决方案CVPR2020 LID挑战的轨迹================================================== ============...
RGBD-semantic-segmentation:RGBD语义分割的纸质清单（处理）
05-16
2020年/ 8月-更新了有关RGBD语义分割的一些最新论文（ECCV2020）。 2020年/ 10月-更新了有关RGBD语义分割的一些最新论文（CVPR2020，WACV2020）。 2020年11月-更新了一些最新论文（ECCV2020，arXiv），以及论文和...
基于边界的医学图像弱监督语义分割细化框架BoundaryCAM
qq_45745941的博客
04-02 933
提出了新的BoundaryCAM框架，在CAM和最终的FSSS模型之间引入了一个新的BoundaryFit模块，以实现更精细的分割掩模，这可以用来提高模型的整体精度。BoundaryFit模块通过使用无监督语义分割模型提供了额外的显著性，该模型细化了CAM预测，为最先进的FSSS模型获得更高质量的训练标签。BoundaryFit模块可以整合到任何现有的WSSS框架中，以提高其预测的质量，如三个真实世界的医学成像数据集所示。
弱监督的通用方案，CAM从图像级标签到像素级标签
qq_43534932的博客
07-18 4702
简介 我们做深度学习中，到采用的训练方案是全监督的方式，这种全监督的方式，在基本的分类任务当中数据打标签的难度还好，但是在一些更多复杂的深度学习任务中，label的获取就有些困难了。 比如在图像分割领域当中，像素级的标签获取起来费事费力（labelme用起来还挺累的），有没有这么一种算法可以通过分类的标签衍生出像素级的标签，答案是有的。 CAM（Class Activation Mapping）就是目前所有弱监督算法的重要鼻祖。 ...
超像素池化弱监督语义分割
Nick Blog
12-16 2106
Weakly Supervised Semantic Segmentation Using Superpixel Pooling Network 摘要 我们提出了一种基于深度神经网络的弱监督语义分割算法，该算法仅依赖于图像级别标签。所提出的算法在生成分割注释和使用生成的注释学习语义分割网络之间交替。在该框架中成功的关键决定因素是仅在给定图像级标签的情况下构建可靠的初始注释的能力。为此，我们提出了超像素合并网络（SPN），它利用输入图像的超像素分割作为池化层，以反映用于学习和推断语义分割的低级图像结构。然后，
弱监督目标定位 | TS-CAM:用于弱监督目标定位的token语义耦合注意力图
LiRongLu_的博客
09-03 1066
TS-CAM: Token Semantic Coupled Attention Map for Weakly Supervised Object Localization
Mining Cross-Image Semantics for Weakly Supervised Semantic Segmentation
qq_49230659的博客
07-26 936
Mining Cross-Image Semantics for Weakly Supervised Semantic Segmentation摘要1 Introduction2 Related Work3 Methodology3.1 Co-attention Classification Network 摘要 本文研究只在image-level监督下学习语义分割。目前流行的解决方法是使用分类器生成的目标localization maps作为监督，致力于让localization maps捕捉更完整的目标
《Mining Cross-Image Semantics for Weakly Supervised Semantic Segmentation》阅读笔记
weixin_44846680的博客
01-19 680
《Mining Cross-Image Semantics for Weakly Supervised Semantic Segmentation》阅读笔记，来自CVPR2020
弱监督语义分割模型MCIS：Mining Cross-Image Sementics for Weakly Supervised Semantic Segmentation论文解读
tcltyan的博客
02-28 1505
MCIS是ECCV2020的一篇文章，它比较少见地讨论了利用inter-image information去做弱监督语义分割。文章在工作的motivation处指出，当前图像级标签监督下的语义分割大多数都在挖掘intra-image information上面下功夫，主要的研究思路集中在怎样用图像级标签和分类网络去找更多、更好的上下文信息，但却完全忽略了不同照片之间的的信息关联。 如原文图1所示，(a)部分展示了传统分类网络的训练以及产生目标定位图的简单框架，即训练时完全按照标准的分类网络训练方式，推理产
语义分割模块PointRend
如果想成为中心，那么就到中心去吧。
11-27 1627
文章目录1.概述2.源码分析2.1 sampling_points2.2 point_sample2.3 PointHead2.4 loss2.5 模块组合3 实验结果参考 paper: http://arxiv.org/abs/1912.08193 code: https://github.com/facebookresearch/detectron2/tree/master/projects/PointRend 1.概述 论文要解决的是图像分割质量问题，往往图像分割在物体边界处的分割质量很差，不能细致的
评论 1
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