- 博客(8)
- 收藏
- 关注
RSS订阅原创 《论文笔记》—— Self-supervised Image-specific Prototype Exploration for Weakly Supervised Semantic Segment
此外，通过特征的质心(粉色星形)激活每个图像上的特征，有助于探索更完整的区域(见图1所示的image-specific CAM (IS-CAM))。一种直接获取种子的方法是经验地为CAM选择阈值，但由于对象和场景的多样性，很难对不同的图像使用固定的阈值。然而，由于图像的对象和场景的多样性，学习每个类的通用类内鉴别器是相当棘手的。图3显示了所选的前景和背景示例所提出的方法。与以分类器权重为类中心计算每个像素相关性的原始CAM相比，提出的IS-CAM利用针对每幅图像量身定制的原型，实现更完整的目标区域。
2022-09-27 08:47:08
1351
3
原创 《论文笔记》——Multi-Miner: Object-Adaptive Region Mining for Weakly-Supervised SemanticSegmentation
即二值区域挖掘，其目的是将同时包含前景和背景的图像的分布映射到只包含背景的图像的分布。执行的对象自适应区域挖掘。(b)我们的方法与以前的方法挖掘的区域与CAM[32]定位的原始种子区域的比较。可以观察到，现有方法的挖掘区域在数量和规模上往往不足，对于较大的物体，对于较小的物体容易受到周围背景的污染。形式上，我们定义了两个原始分布:p0是只包含背景的图像的分布，p1是同时包含前景和背景的图像的分布。它的最后一层通道的数量等于所有可能的类别的数量，这样它就可以为图像中的每个单一类别生成一个区域映射。
2022-09-21 15:05:23
760
原创 分类精度评价中的TP、TN、FP、FN的理解
将样本分为正样本（positive）和负样本(negative)。，用来判断检测框是否为正样本的一个标准。通过与阈值比较来判断是正样本还是负样本。：分类器识别结果错误，分类器认为该样本是正样本；所以实际上该样本是负样本；：分类器识别结果错误，分类器认为该样本是负样本；所以实际上该样本是正样本；，P表示分类器判定为正样本，N表示分类器判定为负样本。：分类器识别正确，分类器认为该样本为正样本；：分类器识别正确，分类器认为该样本为负样本；TP+FP是分类器判定为正样本的总数量。TP、TN、FP、FN中。
2022-09-14 14:23:39
1753
原创 《论文笔记》——PUZZLE-CAM: IMPROVED LOCALIZATION VIA MATCHING PARTIAL AND FULL FEATURES
因此，该模型在生成图像补丁的同类CAM时，只关注对象的部分来寻找该类的关键特征。因此，图像补丁合并后的。然而，为了对语义对象进行有效的分类，所生成的分割模型往往只关注语义对象的一小部分，这就阻碍了分割模型对像素级语义知识的学习。，以最小化单个图像的CAM与图像补丁合并后的CAM之间的差异。的目标是使用像素相关模块来细化cam，该模块捕捉每个像素的上下文外观信息，并通过学习到的亲和力注意图来改变原始cam。此外，我们可以看到，平铺图像中孤立的patch生成的CAMs与原始图像得到的CAMs是不同的。
2022-09-12 14:15:10
1056
原创 《论文笔记》--Non-Salient Region Object Mining for Weakly Supervised SemanticSegmentation
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。
2022-09-08 10:05:21
945
转载 softmax函数
softmax函数，又称归一化指数函数。它是二分类函数sigmoid在多分类上的推广，目的是将多分类的结果以概率的形式展现出来。
2022-09-07 13:25:29
412
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人