【弱监督语义分割论文阅读】MIL-FCN：全卷积多类多实例学习

最新推荐文章于 2024-06-12 22:16:13 发布
原创 最新推荐文章于 2024-06-12 22:16:13 发布 · 554 阅读 · 1 ·
CC 4.0 BY-SA版权
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。
文章标签：

#论文阅读 #深度学习 #神经网络 #计算机视觉

本文介绍了一种基于全卷积网络的MIL方法，用于从图像级别的弱标签学习语义分割，通过减少对边界框注释的依赖。MIL-FCN采用多类MIL损失，通过端到端训练优化表示，实现在PASCALVOC分割挑战中的初步实验成果。

【论文阅读】MIL-FCN：全卷积多类多实例学习

文章目录


多实例学习(MIL)可以通过削弱所需的监督程度来减少对语义分割等任务中昂贵的注释的需求

提出了一种新的基于全卷积网络的多类语义分割学习的MIL公式
  

试图从弱图像级标签中学习语义分割模型

  • 端到端训练，以共同优化表示

  • 消除像素图像标签分配的歧义

通过PASCAL VOC分割挑战的初步实验来评估这种方法

  

一、介绍

卷积网络在许多计算机视觉任务上取得了最先进的性能，但需要昂贵的监督

卷积神经网络同样可以处理具有结构化输出的局部任务

  

全卷积网络(FCN)的多实例学习(MIL)的新框架

表示对象存在或不存在的弱图像级标签中学习像素级语义分割

  

该工作的核心是通过多实例学习驱动卷积神经网络表示和像素分类器的联合学习

为了从图像标签中学习分割模型，我们将每张图像转换为一个像素级的实例

MIL可以减少对边界框注释的需求

  

相应的工作：

  • Oquab等人(2014)通过推断潜在目标位置来改进图像分类，但没有评估定位
  • Hoffman等人(2014)通过MIL微调进行训练，但依赖于边界盒监督和表示学习建议

  

大部分工作学习边界信息
  

贡献：

  • 全卷积网络中联合MIL和端到端表示学习
  • 受二进制MIL场景启发的多类像素级损失
  • 像素级的一致性线索有助于消除物体存在的歧义

  

二、MIL-FCN

  
全卷积网络(

最低0.47元/天 解锁文章
川川子溢
关注
弱监督语义分割 IRNet
m0_53232957的博客
11-02 1363
本文提出了一种使用图像级别类别标签作为监督的实例分割的新方法。我们的方法生成训练图像的伪实例分割标签，然后使用这些标签来训练一个完全监督的模型。为了生成伪标签，我们首先从图像分类模型的注意力图中识别出物体类别的自信种子区域，并将它们传播以发现具有准确边界的整个实例区域。为此，我们提出了IRNet，它估计了各个实例的粗略区域并检测了不同物体类别之间的边界。这使得可以为这些种子分配实例标签，并在边界内传播它们，以便可以准确估计整个实例的区域。
机器学习笔记 - 多实例学习（MIL）弱监督学习
学以致用 知行合一
06-12 3286
多实例学习（MIL）是一种弱监督学习形式，其中训练实例被排列在称为袋的集合中，并为整个袋提供标签。这种方式越来越受到人们的关注，因为它自然适合各种问题，并允许利用弱标记数据。因此，它被应用于计算机视觉和文档分类等不同的应用领域。多实例学习（MIL）处理以集合形式排列的训练数据，称为bag。不提供袋子中所含实例的单独标签。这种问题表述引起了研究界的广泛关注，尤其是近年来，解决大型问题所需的数据量呈指数级增长。大量的数据需要越来越多的标签工作，弱监督方法，可以减少这种负担。
VALSE2018王兴刚教授弱监督语义分割
05-11
VALSE 2018 大连 王兴刚教授 弱监督语义分割演讲ppt
【技术综述】基于弱监督深度学习的图像分割方法综述
hacker_long的专栏
03-20 2419
本文是基于弱监督的深度学习的图像分割方法的综述，阐述了弱监督方法的原理以及相对于全监督方法的优势。作者 | 孙叔桥编辑 | 言有三 1基础概念生活中，我们和周围的事...
【3D点云】弱监督点云分割（论文解读 CVPR2020）
qq_45752541的博客
09-01 3361
在这项工作中，我们提出了一种弱监督点云分割方法，它只需要一小部分的点被标记。这是通过学习梯度近似和利用额外的空间和颜色平滑约束来实现。在三个不同程度的弱监督的公共数据集上进行了实验。在本文中，我们发现现有的点云 encoder network 只需要少量的标记点，就可以为点云分割任务产生非常具有竞争力的性能。我们从统计学的角度提供分析，并洞察了固定标签预算下的注释策略。此外，我们提出了三个额外的训练损失，即不精确监督、孪生自监督、空间和色彩平滑，进一步规范模型。......
语义分割综述解读--主流方法篇
qq_35929347的博客
03-22 4613
论文：Survey on semantic segmentation using deep learning techniques 论文地址：https://www.sciencedirect.com/science/article/abs/pii/S092523121930181X 最近在了解语义分割相关方法，这篇综述原文十分的详细，将目前使用深度学习技术进行语义分割的主流方法分成10类进行阐述...
语义分割-FCNs in the wild: Pixel-level adversarial and constraint-based adaptation 对抗方法实现不同数据集语义分割
ssshyeong的博客
12-20 1363
第一个使用领域对抗思想完成语义分割的论文
MATLAB算法实战应用案例精讲-【人工智能】语义分割（补充篇）(附matlab代码实现)
qq_36130719的博客
01-01 2446
语义分割是从粗推理到精推理的自然步骤：原点可以定位在分类，分类包括对整个输入进行预测。下一步是本地化/检测，它不仅提供类，还提供关于这些类的空间位置的附加信息。最后，语义分割通过对每个像素进行密集的预测、推断标签来实现细粒度的推理，从而使每个像素都被标记为其封闭对象矿石区域的类别。更具体地说，语义图像分割的目标是给图像中的每个像素都贴上对应的一类所代表的内容的标签。因为我们要对图像中的每个像素进行预测，所以这个任务通常被称为密集预测。
BoxInst: High-Performance Instance Segmentation with Box Annotations 论文学习
calvinpaean的博客
01-16 2263
Abstract 本文提出了一个实现 mask 级实例分割的高性能方法，训练时只需使用边框标注。本文中，作者只用到了一个简单的设计就可以实现显著的性能提升，在COCO数据集上 mask AP 由 21.1%21.1\%21.1%大幅提升到了31.6%31.6\%31.6%。本文核心思想重新设计实例分割中的 mask 学习损失函数，无需修改分割网络本身。新的损失函数无需 mask 标注，就可监督 mask 的训练。它是通过以下两个损失项做到的：1) 一个最小化 ground-truth 边框映射和预测 mas
弱监督语义分割：从图像级标注快进到像素级预测
热门推荐
netease_im的博客
03-24 1万+
易盾算法团队经过深入调研后在实践中分析弱监督语义分割技术方向的特点，以及在实际项目上验证了其有效性，从而成功将该技术落地到实际项目中并取得了显著的项目指标提升，有效助力易盾内容安全服务精细化识别。接下来本文将介绍弱监督语义分割的分类和常规流程，并选择该方向中有代表性的几篇论文进行简单介绍。
SEAM:弱监督语义分割的自监督等变注意机制，CVPR 2020（口头）
05-29
接缝 的。 您还可以从下载存储库 抽象的 图像级弱监督语义分割是近年来深入研究的一个具有挑战性的问题。 大多数高级解决方案利用类激活图 (CAM)。 然而，由于全监督和弱监督之间的差距，CAM 很难作为对象掩码。 在本文中，我们提出了一种自监督的等变注意机制（SEAM）来发现额外的监督并缩小差距。 我们的方法基于观察到等方差是完全监督语义分割中的隐式约束，其像素级标签在数据增强期间采用与输入图像相同的空间变换。 然而，这种约束在通过图像级监督训练的 CAM 上丢失了。 因此，我们建议对来自各种转换图像的预测 CAM 进行一致性正则化，以提供网络学习的自我监督。 此外，我们提出了一个像素相关模块（PCM），它利用上下文外观信息并通过其相似的邻居细化当前像素的预测，从而进一步提高 CAM 的一致性。 在 PASCAL VOC 2012 数据集上进行的大量实验表明，我们的方法优于使用相同监督级
弱监督语义/实例/全景分割综述2022
最新发布
sanguine__的博客
06-12 2213
由于标签高效图像分割的主要困难是缺乏密集标签，一种朴素的解决方案是首先基于每个训练图像的弱标签生成(密集)伪标签，然后用伪标签训练分割模型。为了提高自训练过程中生成的伪标签的质量，通常对其进行正则化处理。训练集T的定义在这里，T = {(X(n);Y(n)}，其中n ∈ N，表示用于标签高效图像分割的给定训练集。Y(n)代表任何类型的监督，例如，它可以是C(n)用于图像级监督，如果n ∈ N或者是空集；如果n ∈ N但n不在Nl中，表示半监督。生成伪标签的过程。
让机器“一叶知秋”：弱监督视觉语义分割
深度学习大讲堂
05-24 3105

 
 
 
 
 
 
 编者按：西汉刘安的《淮南子·说山训》中有这样一段话：“见一叶落，而知岁之将暮；睹瓶中之冰，而知天下之...
十六章：可靠性确实重要：一种端到端的弱监督语义分割方法
ADICDFHL的博客
07-28 776
在本文中，我们提出了RRM，一种用于图像级别弱监督语义分割的端到端网络。我们重新审视了现有方法采用的两步方法的缺点。我们通过挖掘可靠但微小的区域，提出了一种一步方法，并直接将它们用作分割模型训练的标签。在有限的像素监督下，我们设计了一种新的损失函数，称为密集能量损失，它利用浅层特征（RGB颜色和空间信息）与像素级交叉熵损失相结合，优化训练过程。基于我们的一步RRM，我们扩展了一个两步方法。我们的一步和两步方法都实现了最先进的性能。更重要的是，我们的RRM提供了与传统的两步解决方案不同的视角。
知物由学 | 弱监督语义分割：从图像级标注快进到像素级预测
03-30 1万+
语义分割，旨在将图像中的所有像素进行分类，一直是计算机视觉图像领域的主要任务之一。在实际应用中，由于能准确地定位到物体所在区域并以像素级的精度排除掉背景的影响，一直是精细化识别、图像理解的可靠方式。
【文献阅读】用对比学习做弱监督语义分割（Sung-Hoon Yoon等人，ArXiv，2021）
QQ704630835的博客
02-21 5484
一、背景 文章题目：《Exploring Pixel-level Self-supervision for Weakly Supervised Semantic Segmentation》 文章下载地址：2112.05351.pdf (arxiv.org)https://arxiv.org/pdf/2112.05351.pdf 文献引用格式：Sung-Hoon Yoon,Hyeokjun Kweon, Jaeseok Jeong, Hyeonseong ...
【技术综述】基于弱监督深度学习的图像分割方法综述​
hacker_long的专栏
03-25 1177
文章首发于微信公众号《有三AI》 【技术综述】基于弱监督深度学习的图像分割方法综述​ 本文是基于弱监督的深度学习的图像分割方法的综述，阐述了弱监督方法的原理以及相对于全监督方法的优势，首发与《有三AI》 作者 | 孙叔桥 编辑 | 言有三 1 基础概念 生活中，我们和周围的事物都是有“标签”的，比如人、杯子、天空等等。在不同的场景下，相同的事物可能对应了不同的标签，比如长在地...
一文尽览！弱监督语义/实例/全景分割全面调研（2022最新综述）
CV_Autobot的博客
09-01 4613
分割，作为最基础的视觉感知任务和自动驾驶底层的感知模块，承担着很重要的作用。但逐像素的标注需求饱受诟病，相比于目标框标注，属实是太太太太慢了。今天分享一篇上交投稿TPAMI的文章，论文很全面的调研了广义上的弱监督分割算法，又涵盖了语义、实例和全景三个主流的分割任务。特别是基于目标框的弱监督分割算法，未来有很大的研究价值和落地价值，相关算法如BoxInst、DiscoBox和ECCV2022的BoxLevelset已经证明了，只用目标框可以实现可靠的分割性能。
论文阅读：弱监督语义分割、遥感
greenwoodp的博客
08-10 2179
论文阅读：Weakly Supervised Deep Learning for Segmentation of Remote Sensing Imagery Wang, S.; Chen, W.; Xie, S.M.; Azzari, G.; Lobell, D.B. Weakly supervised deep learning for segmentation of remote sensing imagery. Remote Sensing 2020, 12, 207. 文章定义了弱监督源：（1）单
R-FCN：基于区域的全卷积网络目标检测
R-FCN（区域基全卷积网络）是一种深度学习模型，专门设计用于目标检测任务。传统的区域基检测器，如Fast/Faster R-CNN，会在每个候选区域上执行昂贵的子网络计算，这大大增加了计算成本。R-FCN则采用了一种全新的...
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