![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
论文翻译
XuZhiyu_
努力学习
展开
-
论文学习笔记——弱监督语义分割(Learning Integral Objects with Intra-Class Discriminator for Weakly-Supervised Sema)
目录基础概念CAM 与 ICD 的不同ICD效果展示基础概念Feature manifold(特征流形)流形是一种空间,一个流形好比是一个 m 维的数据在 d 维的空间上被扭曲的结果。其中(m > d)(一般维度压缩的方法中都会提到这个概念)上图中每张图片为同一张人脸的 64×64 的灰度图,如果按照列(或行)拼起来,就可以得到一个 4096 维的向量,这样一来,每一张图片就可以看成是 4096 维欧氏空间中的一个点。很显然,并不是 4096 维空间中任意一个点都可以对应于一张人脸图片的原创 2020-07-24 12:04:26 · 1751 阅读 · 2 评论 -
Reliability Does Matter: An End-to-End Weakly Supervised Semantic Segmentation Approach(AAAI 2020)
本文翻译了一篇关于弱监督语义分割论文,原文地址目录摘要介绍相关工作提出的方法概述分类分支:生成可靠区域的标签语义分割分支:进行预测实验数据集和实现细节分析我们的方法与先前方法的比较结论摘要弱监督语义分割是一项具有挑战性的任务,因为它仅将图像级信息作为训练的监督,但会生成像素级的预测以进行测试。为了解决这一艰巨的任务,最新的最新方法建议采用两步式解决方案,即1)学习生成伪像素级遮罩,以及2)利用FCN(全卷积网络)训练伪像素级别的遮罩的语义分割网络。但是,两步解决方案通常在生产高质量的伪蒙版时要花很多力翻译 2020-07-02 17:36:55 · 1399 阅读 · 0 评论