弱监督论文简读：Joint Learning of Saliency Detection and Weakly Supervised Semantic Segmentation

最新推荐文章于 2024-01-08 22:22:54 发布
最新推荐文章于 2024-01-08 22:22:54 发布
阅读量1.3k 收藏 7
点赞数 4
分类专栏： # 弱监督文章 Paper Reading 文章标签： pytorch 机器学习 神经网络 深度学习
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/weixin_43569867/article/details/104679993
版权

from LYX

结论

在提取器的基础上，后加简单的网络结构即可让网络学习到想学习的目标，说明我们对网络学习能力的了解还不够深入，重点在于如何给定网络一个特定的学习目标。对于弱监督，找两个可交互迭代提升的任务尤为重要。

Liiiiiii~
关注
专栏目录
Weakly-Supervised Semantic Segmentation via Sub-category Exploration
青灵_Yaffa的博客
07-18 1384
Weakly-Supervised Semantic Segmentation via Sub-category ExplorationAbstract问题1.Introduction Abstract 现有的使用图像级标注的弱监督语义分割方法通常依赖于初始响应来定位目标区域。然而，分类网络生成的这种响应图通常集中在有区别的对象部分，因为网络不需要优化目标函数的整个对象。为了强制网络关注对象的其他部分，我们提出了一种简单而有效的方法，通过利用子类别信息引入一个自我监督任务。具体来说，我们对图像特征进行聚类，
论文笔记--STC: A Simple to Complex Framework for Weakly-supervised Semantic Segmentation
隐匿人海的博客
11-23 2271
---------------------- 论文是作为组内论文报告为大家讲述的，现在将一些重要思想摘录如下。 ---------------------- 论文是9月份NUS的发表在arXiv上的，论文模板是TPAMI的模板，貌似是要投TPAMI的短文么？ 言归正传，现在还是说论文吧。 论文题目是STC，即Simple to Complex的一个框架，使用弱标签
Joint Learning
最新发布
06-18
Joint Learning Neuronal Skeleton and Brain Circuit Topology with Permutation Invariant Encoders for Neuron Classification
Joint Learning of Saliency Detection and Weakly Supervised Semantic Segmentation
qq_49230659的博客
07-28 547
Joint Learning of Saliency Detection and Weakly Supervised Semantic Segmentation摘要1. Introduction3. The proposed approach3.1. Network overview3.2. Segmentation networks3.3. Saliency aggregation3.4. Jointly learning of saliency and segmentation 论文地址 摘要 本文通过
AttSum: Joint Learning of Focusing and Summarization with...
weixin_33794672的博客
08-01 170
引 最近读的几篇paper都是用seq2seq的思路来解决问题，有点读厌烦了，今天换个口味。分享一篇extractive式的paper，AttSum: Joint Learning of Focusing and Summarization with Neural Attention，AttSum是本文所阐述的摘要系统的名称。 (点“阅读原文”获取本文)...
joint learning
Hello Word!
06-01 700
用途：domain差别较大的数据集之前联合训练的方法 方法：同一个backbone，不同的classifier。大的数据集训练n 个batch，小的数据集训练1个batch lr steps的确定：根据实现而不同。一种是将两种数据集中的样本数量加总之后计算总的数据量，然后根据 10,20,30个epoch去就计算lr每次下降所需的训练steps个数 Loss nan的问题： ...
Joint Learning of QA and QG阅读笔记
Sofan He
01-16 764
SCIR “Joint Learning of Question Answering and Question Generation” 阅读笔记
railroad is not a train: saliency as pseudo-pixel supervision for weakly supervised semantic segmentation
04-11
这篇论文的主要内容是介绍了一种新的弱监督语义分割方法，即使用伪像素监督训练模型。其中，论文拿“railroad is not a train”的例子说明了弱监督下的语义分割问题，给出了具体的解决方法，并取得了较好的效果。
极简笔记 多篇weakly supervised segmentation笔记
Hibercraft的博客
01-18 4023
极简笔记 多篇weakly supervised segmentation笔记 Backtracking ScSPM Image Classifier for Weakly Supervised Top-down Saliency 文章主要思想是通过遮挡部分区域，观察分类confidence的改变来决定pixel-level的预测。文章没有使用CNN结构，而是使用SIFT特征+稀疏编码+SVM进...
弱监督的语义分割论文汇总（持续更新ing）
PRIS-SCMonkey的博客
05-27 6619
弱监督的语义分割论文汇总弱监督语义分割导读弱监督语义分割论文整理基于Bounding box的弱监督语义分割基于Image-level labels的弱监督语义分割基于Scribbles的弱监督语义分割基于Points的弱监督语义分割 弱监督语义分割导读 一般认为，图像级的标注是弱标注（例如图像分类的类别标注），像素级的标注是强标注（例如分割标注的mask标注），对于普通的分割任务来说： 数据是图像，标注是mask，这属于完全监督问题Supervised； 如果标注是annotations或者图像级标注，
[论文阅读] Joint learning of foreground, background and edge for salient object detection
xiongxyowo的博客
01-08 827
尽管在显著性检测方面取得了重大进展，但当场景复杂时，特别是当显着性和非显着性区域相似或显着性对象具有复杂的轮廓时，预测显着性仍然具有挑战性。 以前的先进方法很少探索图像背景下的学习。事实上，图像的背景和前景包含互补信息。 在这项工作中，我们建议将显着性检测任务分解为三个子任务：前景感知、背景抑制和边缘细化。更具体地说，我们的解码器由三个分支组成：前景感知分支、背景抑制分支和边缘细化分支。每个分支的目标是学习特定的特征来进行预测。同时，我们设计了具有可控调节因子的区域焦点损失函数来监督训练阶段每个分支的学习。
《Joint Learning of Named Entity Recognition and Entity Linking》论文笔记
solejay
10-06 932
Joint Learning of Named Entity Recognition and Entity Linking 2019 ACL Abstract 大多数 EL 方法忽视实体识别部分，假定正确的实体已经被识别出来。这篇论文对 NER 和 EL 进行联合学习，来利用他们之间的相关性，得到一个更健壮和更具通用性的系统。实验发现联合学习比单个学习效果更好，并且在 NER 和 EL 任务达到 SOTA。 1 Introduction NER 和 EL 是两个基础的 NLP 任务，NER 负责检测和识别命
Joint Learning Architecture for Multiple Object Tracking and Trajectory Forecasting 详细解读
Juwenile的博客
02-24 286
以FairMOT跟踪器为基准，将轨迹预测添加到多目标跟踪中以代替卡尔曼滤波器来进行运动预测。
基于神经网络的实体识别和关系抽取联合学习
weixin_34168700的博客
10-22 700
基于神经网络的实体识别和关系抽取联合学习 联合学习（Joint Learning）一词并不是一个最近才出现的术语，在自然语言处理领域，很早就有研究者使用基于传统机器学习的联合模型（Joint Model）来对一些有着密切联系的自然语言处理任务进行联合学习。例如实体识别和实体标准化联合学习，分词和词性标注联合学习等等。最近，研究者们在基于神经网络方法上进行实体识别和关系抽取联合学习，我阅读了...
论文阅读：Joint Learning of Single-image and Cross-image Representations for Person Re-identification
yuanchheneducn的博客
03-02 1167
哈尔滨工业大学（/香港理工大学）的作者Faqiang Wang等采用pairwise comparison and triplet comparison联合学习特征，并在CUHK03，CUHK03，VIPeR上进行实验。网络结构： 文章分析了SIR(single image representation) 是CIR(cross image representation)的特殊形式。（欧式距离，马氏
读论文9——On Joint Learning for Solving Placement and Routing in Chip Design
Liu_First的博客
12-27 2029
目录abstractIntroduction二级目录三级目录 abstract 在现在的芯片设计流程中，布局和布线是两个很关键的步骤。而机器学习的引入，在GPU加速和减少对人类专家的依赖方面，有很大的优势。当然，现在还有一些基础的问题亟待解决：可扩展性、奖励设计、端到端学习范式。为了实现端到端的布局学习，作者将强化学习和基于梯度的优化方案结合，提出了基于联合学习的宏和标准单元格布局的方法。为了连接布局和随后的布线工作，作者还提出了一种通过强化学习的联合学习方法。该方法包括一个重要的设计：多视图嵌入模型。用它
《Weakly Supervised Semantic Segmentation Based on Web Image Co-segmentation》笔记
lytxiaohou的博客
12-19 458
《Weakly Supervised Semantic Segmentation Based on Web Image Co-segmentation》笔记学习笔记，如有谬误，还请不吝赐教！解决的问题流程方法后记 Based on Web Image Co-segmentation》笔记) 学习笔记，如有谬误，还请不吝赐教！ 解决的问题 还是弱监督，嗯，兄弟和弱监督干上了，后面也还是弱监督… 这...
Joint Learning 与 Multi-Task Learning浅析
吟游诗人——吟唱生命的不朽
08-22 9996
Joint Learning和Multi-Task Learning都属于集成学习（Ensemble Learning）的范畴，但网上关于Joint Learning的相关资料较少，因此在这里对这两种学习方式进行简要介绍，并对其不同点进行区分。 Joint Learning Joint Learning是指模型中存在多个子任务，而我们可以将这些子任务一起训练。 这么说起来有点抽象，可以举个简单的例子。比如在深度学习中，这个“深度”就可以理解为采用了多个模型进行Joint Learning，比如在许多NLP任
【行人检测】之Joint Deep Learning联合深度学习(附源码)
热门推荐
delltdk的专栏
04-30 1万+
新近研究ICCV2013的一篇文章，《Joint Deep L》
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