论文阅读：Multi-Miner: Object-Adaptive Region Mining for Weakly-Supervised Semantic Segmentation

最新推荐文章于 2022-09-08 10:05:21 发布
最新推荐文章于 2022-09-08 10:05:21 发布
阅读量437 收藏
点赞数
分类专栏： 论文阅读 文章标签： 深度学习 计算机视觉
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/qq_36224225/article/details/108517760
版权

Multi-Miner: Object-Adaptive Region Mining for Weakly-Supervised Semantic Segmentation

文章目录

摘要

摘要
弱监督语义分割，现有的目标区域挖掘方法，通常不考虑对象的大小，并且是一个单调的挖掘所有的对象区域的过程。

而大目标的挖掘区域的数量和规模不足，小目标的挖掘区域容易受到周围背景的污染。

本文针对此问题，提出一个 multi-miner 框架来执行区域挖掘过程，该过程能够自适应不同的目标大小，从而能够挖掘出更完整、更精细的目标区域。

Intruduction

在这里插入图片描述

该方法自适应地对不同对象，采取不同区域的挖掘步数，大目标挖掘步数多，小目标挖掘步数少。因此该方法比现有的方法挖掘的目标区域更完整、更精细。

自适应挖掘的关键在于何时停止或继续挖掘。这里利用了一个 parallel modulator，它可以简单地实现为 multi-label 分类器，通过检查每个对象是否含有剩余对象区域来控制挖掘过程。然后，modulator 指导 category-aware generator 去继续或停止对每个对象的区域挖掘。所以，每个对象的挖掘步数可以自适应它的大小。

区域挖掘过程中，由于叠加卷积层，使得输入图像的空间分辨率不能保持，因此在区域挖掘过程中不可避免地会包含一些背景。为了缓解这个问题，提出一个 multi-scale 训练策略。小尺寸的输入可以提供关于整个对象的全局信息，而大尺寸的输入提供关于细节的信息。

在这里插入图片描述
对上述的内容概况一下：

在这里插入图片描述

方法

object-adaptive region mining

![在这里插入图片描述](https://img-blog.csdnimg.cn/20200910164649688.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM2MjI0Mj
I1,size_16,color_FFFFFF,t_70#pic_center)在这里插入图片描述

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

multi-scale training strategy

在这里插入图片描述

connection with distribution mapping

在这里插入图片描述

实验

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

原文下载

点击下载

CccMing、、、
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Box-driven Class-wise Region Masking and Filling Rate Guided Loss for Weakly Supervised Semantic Seg
dzm123lalala的博客
06-23 1304
Abstract Semantic segmentation has achieved huge progress via adopting deep Fully Convolutional Networks (FCN). However, the performance of FCN based models severely rely on the amounts of pixel-leve...
论文研究-A High Performance Algorithm for Mining Frequent Patterns:LPS-Miner.pdf
08-15
一种高效的频繁模式挖掘算法：LPS-Miner，陈晓云，刘慧玲，本文中我们提出了一种高效的数据挖掘算法，叫做LPS-Miner，用于挖掘事务数据库中的频繁模式。LPS-Miner算法基于模式增长原理，并采用了
文章阅读Non-Salient Region Object Mining for Weakly Supervised Semantic Segmentation
sigmoidAndReLU的博客
11-19 3128
Non-Salient Region Object Mining for Weakly Supervised Semantic Segmentation 文章名称：非显著区域对象挖掘的弱监督语义分割 会议： CVPR 2021 作者：Yao Yazhou 南京理工大学 代码：https://github.com/NUST-Machine-Intelligence-Laboratory/nsrom/tree/main/segmentation 摘要 语义分割任务是对输入图像进行像素级别的精细分割。考虑到稠密标
Employing Multi-estimations for Weakly-Supervised Semantic Segmentation
qq_49230659的博客
07-26 452
Employing Multi-estimations for Weakly-Supervised Semantic Segmentation摘要 摘要
《论文阅读》Multi-Path Region Mining For Weakly Supervised 3D Semantic Segmentation on Point Clouds
未知丶的博客
11-22 478
留个笔记自用 Multi-Path Region Mining For Weakly Supervised 3D Semantic Segmentation on Point Clouds 做什么 Instance segmentation实例分割 目标检测（ Object detection）不仅需要提供图像中物体的类别，还需要提供物体的位置（bounding box）。语义分割（ Semantic segmentation）需要预测出输入图像的每一个像素点属于哪一类的标签。实例分割（ instance
[点云分割]-Multi-Path Region Mining For Weakly Supervised 3D Semantic Segmentation on Point Clouds
alfred_torres的博客
07-30 464
Multi-Path Region Mining For Weakly Supervised 3D Semantic Segmentation on Point Clouds 一种用于3D点云弱监督语义分割的多路径区域搜索方法 CVPR 2020 本文的亮点有两个：1对点云语义分割用弱监督训练，2 Multi-Path Region Mining模块，主要挖掘了attention机制在点云中的应用 摘要 原文 译文 Point clouds provide intrinsic geometr
MassNet-miner:MassNet-miner是MassNet全节点矿工的Golang实现
05-21
MassNet矿工 MassNet Miner是MassNet全节点矿工的Golang实现。要求1.13或更高版本。发展从源构建Linux /达尔文将源代码克隆到$GOPATH/src/github.com/massnetorg/MassNet-miner 。 转到项目目录cd $GOPATH/src/...
monero-web-miner：Monero Web Miner源代码存储库
02-04
Monero Web Miner 在线免费，基于CPU的Monero矿工，可让您在Web浏览器中开采Monero！ 要求 建立 目前，该软件已设置为可以在Linux服务器上运行，可以在任何操作系统上运行... 安装所需的依赖项 sudo apt-get ...
ISCLAB在SemEval-2018上的任务1：UIR-Miner对推文的影响
03-15
ISCLAB在SemEval-2018上的任务1：UIR-Miner对推文的影响
pico-miner：用于PICO-8 Fantasy控制台的Pocket Mine克隆
02-05
在提供的压缩包“pico-miner-master”中，我们可以找到PICO-MINER游戏的所有源代码和资源。开发者通过编写LUA脚本来定义游戏规则，绘制像素艺术图形，并组合音符来制作背景音乐和效果声音。 PICO-8的限制性在于其...
【点云语义分割】Multi-Path Region Mining ForWeakly Supervised 3D Semantic Segmentation on Point Clouds（CVPR）
sinat_26743719的博客
06-19 765
【点云语义分割】Multi-Path Region Mining ForWeakly Supervised 3D Semantic Segmentation on Point Clouds（CVPR 2020）Motivation概念MethodBaseline Method: PCAMMulti-Path Region MiningLearning a Semantic Segmentation Network实验experiments相关阅读[^sample_footnote1] 论文链接 代码链接:
《论文笔记》--Non-Salient Region Object Mining for Weakly Supervised SemanticSegmentation
最新发布
qq_46676829的博客
09-08 945
基于显著区域内的目标标签是高概率正确的假设，我们首先在伪标签的引导下对初始预测的目标区域进行扩展。不同于现有的方法主要集中在显著区域的伪标签精炼，我们建议发现更多的对象在非显著区域进行弱监督语义分割。在OAA的基础上，我们生成了具有更多完整区域的在线累计类注意力地图(OA-CAMs)，并利用其整体注意力模型对目标对象区域的低注意力值进行强化。对于分割网络来说，利用伪标签只包含显著区域内的物体标签来检测显著区域外的物体仍然是一个挑战。Lij是(i,j)位置的初始标签中的值，表示像素的伪标签。
Non-Salient Region Object Mining for Weakly Supervised Semantic Segmentation
qq_49230659的博客
07-16 884
Non-Salient Region Object Mining for Weakly Supervised Semantic Segmentation摘要 摘要
【点云识别】Multi-Path Region Mining ForWeakly Supervised 3D Semantic Segmentation on Point Clouds
Orientliu96的博客
04-21 1437
Multi-Path Region Mining ForWeakly Supervised 3D Semantic Segmentation on Point Clouds 本文介绍一篇cvpr2020里面关于点云弱监督分割的文章。 论文 目前还没有开源代码 1. 问题 目前获得大规模点云已经不是一件困难的事情了，但是对其进行标注是十分费时。 例如 ScanNet 数据集，对一个scan标注时间的...
第七周进展报告 Tracking-assisted Weakly Supervised Online Visual Object Segmentation in Unconstrained Video
三金samkam的博客
11-06 219
第七周工作进展报告 本周主要对视频中的语义分割进行研究。视频中的对象分割分为四类方法，分别是无监督方法、有监督方法、半监督方法、基于跟踪的分割方法（属于弱监督方法）。无监督方法依赖物体运动特征、显著性、光流等因素对前背景进行分割，早期无监督方法使用运动特征包括几帧之间的光流（optical flow）。他们假设对象运动（前景）与周围事物（背景）是不相同的。因此，它们容易受到运动误差的影响，并且如果对象与背景具有相似的运动，它们也不能识别对象。半监督方法是仅需要整个视频序列里的第一帧的对象的掩模（mask）
Region-Adaptive Dense Network for Efficient Motion Deblurring论文笔记
SweetWind1996的博客
02-29 1621
这是一篇AAAI2020，关于去除运动模糊的论文，论文使用了可变形卷积(参考Dai, J.; Qi, H.; Xiong, Y.; Li, Y.; Zhang, G.; Hu, H.; and Wei, Y.2017. Deformable convolutional networks. In Proceedings of theIEEE international conference on c...
gcn语义分割_弱监督语义分割论文阅读（一）
weixin_29587979的博客
01-11 455
GraphNet: Learning Image Pseudo Annotations for Weakly-Supervised Semantic Segmentation（2018 ACM MM）一.总览该文章利用bboxing 和 Scribble 作为先验，接着对图片提取卷积层的特征作为像素embedding和超分辨的区域。最后利用GraphNet提取得到相应的类别标签，而后利用可置信的...
ICCV 2019 | VIPL实验室5篇录取论文详解
我爱计算机视觉
08-31 481
上月，两年一度的国际计算机视觉大会ICCV 2019 公布了论文接收结果。今年投稿数量高达4303篇，与上一届 2143 篇相比，数量多出了将近一倍。最终全球仅1077篇论文被录取，录取...
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 1495
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

“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