![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
CVPR2022
文章平均质量分 93
学习不易
直到有一天,可以和你并肩站立
展开
-
CVPR2022 Semi-Supervised Semantic Segmentation Using Unreliable Pseudo-Labels
半监督语义分割的关键是为未标记图像的像素分配足够的伪标签。常见的做法是选择高度置信的预测作为伪真实值,但这会导致大多数像素由于不可靠而可能未被使用的问题。我们认为每个像素对模型训练都很重要,即使它的预测是模糊的。直观上,不可靠的预测可能会在顶级类别(即具有最高概率的类别)之间混淆,但是,它应该对不属于其余类别的像素充满信心。因此,这样的像素可以令人信服地被视为那些最不可能的类别的负样本。基于这一见解,我们开发了一个有效的管道来充分利用未标记的数据。具体来说,我们通过预测熵分离可靠和不可靠的像素。原创 2023-09-03 16:42:08 · 461 阅读 · 0 评论 -
CVPR2022 Cross-patch Dense Contrastive Learning for Semi-supervised Segmentation...
我们研究半监督学习问题,使用少量标记数据和大量未标记数据来训练网络,通过开发跨补丁密集对比学习框架来分割组织病理学图像中的细胞核。这项任务的动机是为组织病理学图像分割任务收集标记数据的昂贵负担。我们方法的关键思想是对齐教师和学生网络的特征,从块级和像素级的交叉图像中采样,以增强特征的类内紧凑性和类间可分离性,正如我们所展示的那样,这是有帮助的用于从未标记的数据中提取有价值的知识。我们还设计了一种新颖的优化框架,结合了一致性正则化和熵最小化技术,在消除梯度消失方面表现出良好的性能。原创 2023-08-24 21:56:13 · 310 阅读 · 0 评论