图像分割"ScribbleSup: Scribble-Supervised Convolutional Networks for Semantic Segmentation"

像素级掩码标记非常耗时且繁琐,简单对每类语义划一条线作为标记,使用简笔标记的结果训练卷积网络进行语义分割,将降低标记人员工作量。基于图模型将简笔标记的信息,结合空间约束、外观及语义内容,传播到未标记的像素上。

在PASCAL VOC上的简笔标记数据:
http://research.microsoft.com/en-us/um/people/jifdai/downloads/scribble_sup

使用简笔标记的结果训练卷积网络,属于弱监督学习,处于图像级标记和box级标记之间。与图像级标记相比,简笔提供了若干像素的位置信息。与box级标记相比,简笔标记物体边界信息比较模糊,简笔标记更有挑战性。

简笔监督学习
简笔标记与像素级mask标记的区别如下图所示:
这里写图片描述

训练算法的两个任务:标记传播,语义分割。

  1. 目标函数
    使用图模型进行像素传播,图中的点表示超像素,边表示超像素间的相似度,图模型如下图所示:
    这里写图片描述
    目标函数为:
    这里写图片描述
    其中 ψi 是包含超像素 xi 的一元项, ψ
### 关于点监督伪装目标检测的研究 #### 论文背景与动机 伪装目标检测(Camouflaged Object Detection, COD)旨在识别那些与其周围环境高度融合的目标对象。这类任务具有挑战性,因为目标通常难以通过传统的方法区分出来。在弱监督学习领域,利用较少标注的数据进行训练成为一种趋势。其中,基于点监督的学习方式因其高效性和简单性受到关注。 一篇重要的研究工作来自ECCV会议的论文《Point-Supervised Camouflaged Object Detection》[^1]。该论文探讨了一种新颖的方式——仅依赖少量点级别的标注完成伪装目标的检测任务。这种方法不仅减少了人工标注的成本,还能够有效捕捉复杂场景下的目标特征。 --- #### 方法概述 在这篇论文中,作者提出了一个基于点监督的框架用于解决伪装目标检测问题。具体而言: - **输入形式**:模型只需要知道某些像素位置是否属于前景目标即可,而不必提供完整的边界框或者密集掩码。 - **核心思想**:通过设计特定损失函数以及引入注意力机制,使得网络能够在有限的信息下逐步推导出整个目标区域的位置和形状。 为了实现上述目标,文中采用了以下几个关键技术模块: 1. **Scribble Annotations Integration** 利用了简单的笔画注解技术作为辅助工具来增强初始预测质量,并进一步指导后续优化过程 [^2]。 2. **Attention Mechanism Enhancement** 增加了自注意层以加强局部细节感知能力的同时兼顾全局上下文关系 [^3]。 3. **End-to-end Training Strategy** 提出了端到端可微分架构以便更有效地联合调整各个子组件参数配置 [^4]。 以下是简化版算法流程示意代码片段: ```python def point_supervised_cod(image, points): """ Point-supervised camouflaged object detection pipeline. Args: image (Tensor): Input RGB image tensor. points (List[Tuple[int]]): List of annotated foreground/background points as tuples (x,y). Returns: Tensor: Predicted segmentation mask. """ # Step 1: Extract features using backbone network feature_maps = backbone_network(image) # Step 2: Apply attention mechanism to enhance local-global interactions attended_features = self_attention(feature_maps) # Step 3: Generate initial prediction based on scribble annotations init_prediction = generate_initial_mask(attended_features, points) # Step 4: Refine predictions iteratively through feedback loops refined_predictions = iterative_refinement(init_prediction) return refined_predictions[-1] ``` --- #### 实验结果分析 实验表明,相比传统的全监督方法或者其他类型的弱监督策略,本研究所提出的点监督方案具备以下优势: - 显著降低了数据准备的工作量; - 达到了接近甚至超越完全标注条件下系统的性能水平 [^5]; 这些结论得到了多个公开测试集上的定量评估支持,同时也验证了所提方法对于不同类型伪装现象的良好泛化能力。 --- ###
评论 2
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