【论文阅读】RRM：一个端到端的弱监督语义分割方法

最新推荐文章于 2025-10-27 16:22:11 发布
原创 最新推荐文章于 2025-10-27 16:22:11 发布 · 1.2k 阅读 · 23 ·
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

本文介绍了一种名为RRM的弱监督语义分割方法，通过生成高质量的伪像素级掩码和利用类别激活图，实现了一种全卷积网络的端到端学习。实验结果显示在PascalVOC数据集上取得了显著性能。

【论文阅读】RRM：一个端到端的弱监督语义分割方法

文章目录


Reliability Does Matter: An End-to-End Weakly Supervised Semantic Segmentation Approach

弱监督语义分割是一项具有挑战性的任务，因为它只需要图像级信息作为训练的监督

像素级预测用于测试

 

最先进的方法提出采用两步解决方案

  1. 学习生成伪像素级掩码，
  2. 使用fcn训练带有伪掩码的语义分割网络

 

生产高质量的伪掩模时采用各种技巧

利用图像级标签来生成可靠的像素级注释，并设计了一个完全端到端网络来学习预测分割图

 

图像分类分支为标注的类别生成类激活图

类别被进一步修剪成有效但微小的对象/背景区域

 

一、介绍

弱监督语义分割提供了比采用像素级掩码的完全监督语义分割更简单的方法

因为语义标签和像素之间没有直接的映射

 
一步法分割精度往往完全低于完全监督

 

为了产生高质量的伪掩码

例如以离线方式从对象建议中引入额外的对象/背景线索

一个是使用图像级注释生成伪像素级掩码，另一个是生成语义分割结果

通过增加一个额外的CRF操作，这些区域可以进一步修剪成更可靠的区域
 

设计了一种正则化损失，称为密集能量损失，它与逐像素的交叉熵损失相配合来优化训练过程

 

RRM在Pascal VOC val和测试集上分别达到了62.6和62.9的mIoU分数

 

二、联系工作

提出了第一个用于语义分割的全卷积网络FCN

 

WSSS：

  • 是基于类激活图(CAM) (Zhou et al. 2016)，即从图像级注释生成初始对象种子或区
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 1349
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。
弱监督语义分割 SEAM
m0_53232957的博客
11-05 1437
图像级弱监督语义分割是一个具有挑战性的问题，已在重新深入研究分年。大多数先进的解决方案利用类激活化地图（CAM）。然而，CAM 很难充当由于充分监督和弱监督之间的差距而造成的对象掩模西翁。在本文中，我们提出了一种自我监督的等变注意力机制（SEAM）发现额外的监督并缩小差距。我们的方法基于观察到等变性是一个隐含的约束完全监督的语义分割，其像素级标签采用与输入图像相同的空间变换数据增强期间的年龄。然而，这个约束在经过图像级监督训练的 CAM 上丢失了。
[弱监督语义分割]Reliability Does Matter: An End-to-End Weakly Supervised Semantic Segmentation Approach
qq_38932073的博客
04-04 1706
可靠性确实重要:端到端弱监督的语义分割方法（AAAI2020） 论文地址 开源代码
CVPR2025 | 弱监督语义分割 | PCRE: 渐进式扩展置信区域来生成精确掩码，代码开源！
最新发布
ProNotes的博客
10-27 945
CVPR2025 | 弱监督语义分割 | PCRE: 渐进式扩展置信区域来生成精确掩码，代码开源！
弱监督语义分割（WSSS）
c_we_living的博客
04-16 1404
CAM是一种可视化技术，用于确定神经网络中哪些区域对于特定类别识别贡献最大。在WSSS中，CAM用于生成伪标签，即将每个像素分配到具有最高激活的类别中，从而生成像素级别的伪标签。这些伪标签随后用于训练模型，以在训练过程中提供像素级别的监督信号。在弱监督语义分割中，会使用一些常见的，低成本的标签进行监督，来代替高成分的像素级标签。常见的会使用图像级标签进行监督，但从提上还是会将图像级标签转换成像素级标签（伪标签），常使用的方法有Class Activation Map（CAM）方法。
Reliability Does Matter: An End-to-End Weakly Supervised Semantic Segmentation Approach(AAAI 2020)
weixin_43870329的博客
07-02 1567
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
弱监督语义/实例/全景分割综述2022
sanguine__的博客
06-12 2208
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。
RRM:用于双向传输的微型请求响应管理器
06-15
RRM（请求-响应-管理器）是一个用于促进双向传输（例如 websockets、webworkers 或 webrtc）上的请求和响应的小工具。 对异步流使用承诺。 特征 完全传输不可知 支持不需要响应的消息（“事件”） 通配符作为后备...
论文阅读：2025 arxiv AI Alignment: A Comprehensive Survey
CSPhD-winston的博客
04-19 1875
AI对齐是确保AI安全的核心，需结合技术创新（如可解释性工具、鲁棒训练方法）和社会治理（如国际协作、伦理准则）。论文强调，随着AI向通用人工智能（AGI）演进，对齐的重要性将远超技术本身——它关乎人类对AI的可控性和文明的长期安全。未来需要跨学科合作，持续更新对齐方法，应对AI快速发展带来的新挑战。
弱监督语义分割（Weakly-Supervised Semantic Segmentation）
lolisky的博客
02-14 7972
弱监督语义分割通过利用更简单易得的图像级标注，以训练分类模型的方式获取物体的种子分割区域并优化，从而实现图像的像素级、密集性预测。
[论文笔记] 弱监督语义分割 半监督语义分割
Holeung blog
05-16 9977
Adversarial learning for semi-supervised semantic segmentation BLOG @vi_wsc GAN生成对抗网络：由两个子网络组成，generator和discriminator,在训练过程中，这两个子网络进行着最小最大值机制，generator用随机向量输出一个目标数据分布的样例，discriminator从目标样例中区分出生成器生成的样...
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
弱监督语义分割模型MCIS：Mining Cross-Image Sementics for Weakly Supervised Semantic Segmentation论文解读
tcltyan的博客
02-28 1655
MCIS是ECCV2020的一篇文章，它比较少见地讨论了利用inter-image information去做弱监督语义分割。文章在工作的motivation处指出，当前图像级标签监督下的语义分割大多数都在挖掘intra-image information上面下功夫，主要的研究思路集中在怎样用图像级标签和分类网络去找更多、更好的上下文信息，但却完全忽略了不同照片之间的的信息关联。 如原文图1所示，(a)部分展示了传统分类网络的训练以及产生目标定位图的简单框架，即训练时完全按照标准的分类网络训练方式，推理产
弱监督下的语义分割算法
weixin_33935505的博客
04-24 348
https://github.com/JackieZhangdx/WeakSupervisedSegmentationList 转载于:https://www.cnblogs.com/haiyang21/p/10761783.html
弱监督语义分割 | MCTformer:用于弱监督语义分割的多类tokenTransformer（CVPR 2022）
LiRongLu_的博客
09-04 1665
本文提出了一种新的基于Transformer的框架，将特定类的目标定位map学习为弱监督语义分割(WSSS)的伪标签。由于可以利用vision Transformer中的单类token的参与区域来形成一个类无关的定位map，作者研究了Transformer模型是否也可以通过学习Transformer中的多个类token来有效地捕获类特定的注意，以进行更有鉴别性的目标定位。为此，作者提出了一个多类tokenTransformer，称为MCTformer。
(CVPR2022) 跨语言图像弱监督语义分割CLIMS
Sierkinhane的博客
08-08 3289
弱监督语义分割
【弱监督语义分割】AllSpark：从transformer中的未标记特征重生标记特征，用于半监督语义分割
qq_43583311的博客
04-29 2053
目前最先进的方法是用真实标签训练标注数据，用伪标签训练未标注数据。然而，这两个训练流程是分开的，这就使得标注数据在训练过程中占据主导地位，从而导致伪标签的质量低下，并因此产生次优结果。为了缓解这一问题，我们提出了 AllSpark ，它利用信道交叉注意力机制从未标明的特征中重新生成标明的特征。我们进一步引入了语义记忆和通道语义分组策略，以确保未标记的特征充分代表已标记的特征。AllSpark 为 SSSS 的架构级设计而非框架级设计提供了新的思路，从而避免了日益复杂的训练流水线设计。
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
热门推荐
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。
Image-Level 弱监督图像语义分割汇总简析
小白学视觉
07-25 1353
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达来源：知乎作者：Uno Whoiam链接：https://zhuanlan.zhihu.com/p/80815225本文已由作者授权转载，未经允许，不得二次转载。总结Image-Level 的弱监督语义分割基本都是以 CAM 作为起点，然后迭代训练，过程中不断恢复出 object 的 mask，各论文...
RRM: 构建高效双向数据传输的微型管理器
标题“RRM:用于双向传输的微型请求响应管理器”揭示了该工具的主要功能和应用场景。RRM是一个用于高效管理请求-响应模式的双向通信的工具，适用于如WebSockets、Web Workers或WebRTC这类实时双向通信协议。通过其...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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