![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
弱监督学习
文章平均质量分 86
jiyeyong
AI算法工程师,本人微信:woxinxie1234,欢迎一起讨论。
展开
-
18-Object Region Mining with Adversarial Erasing
CVPR 2017-oral背景图像语义分割是计算机视觉领域的核心研究问题之一。一般来讲,训练高性能的语义分割模型需要依赖于大量的像素级的人工标注(即标注每个像素点的语义信息)。然而,标注这类的训练样本非常困难,往往需要大量的金钱和时间。为了降低获取训练样本的难度,研究人员提出采用一些相对容易获取的标注作为监督信息(我们称之为弱监督),并用于训练图像语义分割模型。目前这些弱监督信息主要...原创 2018-12-14 12:44:23 · 774 阅读 · 0 评论 -
16-Scribblesup_Scribble-supervised_convolutional_networks_for_semantic_segmentation
这篇文章提出了一种基于用户交互的图片分割训练方法(ScribbleSup)。即训练者只需要在图片上的小部分区域进行标注(scribble annotation)即可训练分割网络。如下图所示的标注方式(左图:原图;中图:传统的语义分割标注;右图:scribble annotation):创新语义分割模型的弱监督训练。和其它使用bounding box或者全图语义标注作为监督信息的文...原创 2018-12-22 14:00:26 · 727 阅读 · 0 评论 -
16-Seed_expand_and_constrain Three_principles_for_weakly-supervised_image_segmentation
概括Seeding Loss——对目标进行弱定位(weak localization)生成初始maskExpansion Loss——对弱定位的mask进行合理的扩大Constrain-to-boundary Loss——对扩大后的mask进行合理的约束,更贴近目标边界因此将该方法命名为SEC(Seed + Expand + Constrain)创新图像分类神经网络,例如Alex...原创 2018-12-22 16:01:16 · 403 阅读 · 0 评论 -
16-STC_A_Simple_to_Complex_Framework_for_Weakly-supervised_Semantic_Segmentation
主要思想作者的核心思想是提出了层层递进的三个DCNN,用前一个CNN的结果来作为下一个CNN的结果。具体来讲,作者一共训练了三个网络:Initial DCNN、Enhanced DCNN和Powerful DCNN。分别解释如下:Initial DCNN:其实可以把它当作是一个有显著性检测功能的CNN,但“它”能够知道显著性的物体是什么。具体实现是由DRIF方法生成Saliency M...原创 2018-12-23 10:48:40 · 249 阅读 · 0 评论 -
17-WILDCAT-Weakly-Supervised-Learning-of-DeepConvNets
who(对谁有效)弱监督图像语义分割where只有图像级标签的数据whenCVPR 2017what(WILDCAT是什么)这篇论文提出了一个框架,可以使用弱监督的方法识别一个物体显著的局部特征。首先我们来直观感受下结果,如下图所示,WILDCAT可以识别狗的头部和腿部信息,从而利用这些信息来对狗进行Localization和segmentation.结构...原创 2018-12-23 14:47:22 · 1300 阅读 · 0 评论 -
18-Weakly-Supervised-Semantic-Segmentation-by Iteratively-Mining-Common-Object-Features
whenCVPR 2018who(影响了谁)图像标签监督下的弱监督语义分割是一项具有挑战性的任务,因为它直接将高级语义与低级别外观相关联。为了弥合这一差距,在本文中,我们提出了一个迭代的自下而上和自上而下的框架,它可以扩展对象区域并优化分割网络。why(为什么提出)弱监督的语义分割非常具有挑战性,因为它直接将高级语义与低级别外观相关联。 由于只有图像标签可用,因此大多数先前的工...原创 2018-12-30 16:57:08 · 454 阅读 · 0 评论 -
18-Weakly-Supervised-Semantic-Segmentation-Network-with-Deep-Seeded-Region-Growing
whencvpr18what本文研究了仅使用图像级标签作为监督来学习图像语义分割网络的问题,这一点很重要,因为它可以显着减少人类的标注工作。最近关于该问题的最新方法首先使用深度分类网络推断每个对象类的稀疏和鉴别区域,然后使用鉴别区域作为监督来训练语义分割网络。在种子区域扩展的传统图像分割方法的启发下,我们提出从鉴别区域开始训练语义分割网络,逐步增加种子区域扩展的像素级监督。种子区域...原创 2018-12-30 17:02:06 · 2628 阅读 · 0 评论 -
Learning-Pixel-level-Semantic-Affinity-with-Image-level-Supervision
paperwhencvpr18,目前top榜第一。有代码。who基于像素级标签的图像语义分割why 提出分割标签的不足是在自然环境中使用语义分割的主要障碍之一。为了解决这个问题,我们提出了一种新颖的框架,可以根据图像级别的标签生成图像的分割标签。在这种弱监督的环境中,已知训练的模型将局部鉴别部分而不是整个对象区域分割。我们的解决方案是将这种定位响应传播到属于同一语义实...原创 2019-01-04 16:16:36 · 8053 阅读 · 8 评论 -
Revisiting-Dilated-Convolution-A-Simple-Approach-for-Weakly-and-Semi-Supervised
when魏云超组的18年cvpr spotwho弱监督语义分割问题的新方法,用扩张卷积得到注意力图,可能能够在GAIN的大框架上面修改why 提出尽管弱监督分割方法取得了显着的进步,但仍然不如全监督的方法。我们认为性能差距主要来自他们学习从图像级监督产生高质量密集对象定位图的限制。为了弥补这种差距,我们重新审视了空洞卷积[1]并揭示了如何以一种新颖的方式利用它来有效地克服弱...原创 2019-01-05 15:23:54 · 837 阅读 · 2 评论