Semi-Supervised Semantic Segmentation with Cross-Consistency Training论文笔记

本文介绍了Semi-Supervised Semantic Segmentation with Cross-Consistency Training算法,探讨了在标签获取成本高的语义分割领域,如何利用未标记数据训练分割网络。该方法采用一个共享编码器和多个辅助解码器,通过扰动输入以增强模型预测的一致性,减少过拟合,提升模型性能。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

文章标题:Semi-Supervised Semantic Segmentation with Cross-Consistency Training
文章地址:https://arxiv.org/abs/2003.09005
文章代码: https://github.com/yassouali/CCT
领域:半监督语义分割

小白入坑笔记,有理解不对的地方,欢迎各位大佬指正
在这里插入图片描述

一、Cross-Consistency Training提出的原因

在这里插入图片描述

在语义分割领域标签获得成本较高,作者希望利用更多的未标记例子来训练分割网络,从而有效处理与训练数据分布相同的测试数据

从上图可以看出,低密度区域在隐藏表示中比在输入中更明显。在Input level 中,低密度区域无法与类别边界对齐,因此聚类假设不适用;在Hidden representations level 各个类别更紧凑,与其他类别界限明显。因此,就想到利用编码器的输出来增强模型不同形式的扰动的一致性

二、算法流程及特点

好的,以下是MIA、MICCAI、NIPS、CVPR、ICLR在2020到2021年的语义分割方面的一些高亮工作: 1. MIA:2021年的MIA会议上,一篇名为“U^2-Net: Going Deeper with Nested U-Structure for Salient Object Detection”的论文提出了一种基于U-Net结构的新模型U^2-Net,用于进行显著性目标检测。该模型结合了多级U结构和级联连接,能够更好地捕获显著性目标的细节信息。 2. MICCAI:2020年的MICCAI会议上,一篇名为“Multi-Objective Learning for Joint Optic Disc and Cup Segmentation in Retinal Images”的论文提出了一种多目标学习方法,用于联合分割视网膜图像中的视盘和杯状体。该方法结合了多任务学习和不同损失函数,能够在同时保持分割准确性和分割速度的情况下提高性能。 3. NIPS:2020年的NIPS会议上,一篇名为“Semi-Supervised Semantic Segmentation with Cross-Consistency Training”的论文提出了一种半监督语义分割方法,用于利用大量未标注数据来提高分割性能。该方法结合了交叉一致性训练和自监督学习,能够在只有少量标注数据的情况下实现高质量的分割结果。 4. CVPR:2021年的CVPR会议上,一篇名为“Semantic Image Synthesis with Spatially-Adaptive Normalization”的论文提出了一种基于空间自适应归一化的语义图像合成方法。该方法能够在保留输入图像的语义信息的同时,合成具有所需语义标签的图像。 5. ICLR:2021年的ICLR会议上,一篇名为“From Few to More: Large-scale Few-shot Segmentation with Knowledge Propagation”的论文提出了一种基于知识传递的小样本语义分割方法。该方法能够利用大规模未标注数据和少量标注数据来训练模型,同时通过知识传递来提高模型的泛化能力。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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