Adversarial Learning for Semi-Supervised Semantic Segmentation(BMVC2018)

最新推荐文章于 2024-11-30 16:10:01 发布
最新推荐文章于 2024-11-30 16:10:01 发布
阅读量1k 收藏 2
点赞数
CC 4.0 BY-SA版权
分类专栏： 科研 paper阅读
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。
本文链接：https://blog.youkuaiyun.com/feitianlzk/article/details/81411207

Adversarial Learning for Semi-Supervised Semantic Segmentation

本文核心要点如下

  • SegNet as Generator
  • Discriminator: use a FCN(HxWxC -> HxWx1)
  • Semi-supervised: 对于unlabeled data,
    • adv loss, (fix D, maximize D(S(X)))
    • self-taught, 使用D的结果作为psedo mask,去训练SegNet
D

FCN, output the probability of mask for each location
train use labeled data
sum over all position

G(S)

labeled data: cross-entropy loss(with gt), adv loss
unlaeled data: semi loss(with psedo gt), adv loss

hyperpara的没有更深入的分析

2018 BMVC之GAN+seg：Adversarial Learning for Semi-Supervised Semantic Segmentation
makabaka的博客
03-30 2474
Adversarial Learning for Semi-Supervised Semantic Segmentation 当前的问题及概述： 现有的鉴别器大都在图像层次上对输入图像进行真伪分类训练，而我们设计了一种全卷积的鉴别器，在考虑空间分辨率的情况下，从ground-truth中对预测概率图进行区分。此外，全卷积鉴别器通过在未标记图像的预测结果中发现可能区域，实现半监督学习，从而提供额外的...
Towards Generic Semi-Supervised Framework forVolumetric Medical Image Segmentation 论文阅读
weixin_51657614的博客
03-03 1322
面向体积医学图像分割的通用半监督框架论文：[2310.11320] Towards Generic Semi-Supervised Framework for Volumetric Medical Image Segmentation (arxiv.org)代码：GitHub - xmed-lab/GenericSSL：NeurIPS 2023：迈向用于体积医学图像分割的通用半监督框架摘要3D 医学图像中的体积标记是一项耗时的任务，需要专业知识。因此，人们越来越有兴趣使用半监督学习（SSL）技术来训练具有有
论文：Adversarial Learning for Semi-Supervised Semantic Segmentation
weixin_43673376的博客
08-16 1452
1、Adversarial Learning for Semi-Supervised Semantic Segmentation 目的：学习对抗训练是如何做语义分割，思想，做法，结论，和后续用这种思想的方法做对比 1）先整体看下文章做了什么工作？       对抗的学习框架提高语义分割精度，在推理过程中，并不需要判别器，所以不会增加额外的计算。        半监督的方法，在训练时用了无标注的图像。 2）整个过程是怎么做的？
Adversarial learning for semi-supervised semantic segmentation
wsc12358的博客
08-01 4922
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例。generator通过后向传播混淆discriminator，依此generator生成与目标样例相似的样例。 这篇论文中，将generator换...
Adversarial Learning for Semi-Supervised Semantic Segmentation
weixin_43723625的博客
03-09 379
链接：https://pan.baidu.com/s/1CnLMoaOcIScfn2Ms2mhvNQ 提取码：tqp8
Domain Adaptation 论文笔记
ethanzhangg的博客
03-22 1129
Domain Adaptation paper个人笔记
AdvSemiSeg:对抗学习提升半监督语义分割性能
- **semi-supervised-learning**：半监督学习介于监督学习和无监督学习之间，是通过少量标记样本和大量未标记样本进行训练的一种学习方式。 - **semantic-segmentation**：语义分割是一种图像分割技术，它将图像划分...
视觉注意力机制的发展历程-Attention-Family
CharmsLUO的博客
11-19 2847
目录视觉注意力机制的发展历程-Attention-Family————————————————2016————————————————Attention to Scale-Scale-aware Semantic Image Segmentation(CVPR)————————————————2017————————————————Attention Is All You Need————————————————2018————————————————Graph-Based Global Reasoning
1-Adversarial Learning for Semi-Supervised Semantic Segmentation
qq_45583898的博客
09-19 1640
我们提出了一个半监督语义分割的方法，使用了对抗网络。设计了一个鉴别器，去区分预测概率图与真实分割分布，同时考虑了空间分辨率。我们表明，通过**将对抗性损失与所提出模型的标准交叉熵损失耦合起来**，所提出的鉴别器可以用于提高语义分割精度。**此外，鉴别器通过发现未标记图像的预测结果中的可信区域来实现半监督学习，从而提供额外的监督信号。**与使用弱标记图像的现有方法相比，我们的方法利用未标记图像来增强分割模型。在PASCAL VOC 2012和Cityscapes数据集上的实验结果证明了该算法的有效性。
半监督语义分割网络 Adversarial Learning for Semi-Supervised Semantic Segmentation论文阅读笔记
tcltyan的博客
12-13 3346
ALSS是半监督语义分割领域最早的文章之一，文章的动机仍然是ease the heavy human efforts of labeling pixel-level annotations。与弱监督领域通常采用的分类级标签数据和分类级损失函数不同，半监督学习更强调少量有标签数据与大量无标签数据的结合，其核心在于如何通过有标签数据更好地挖掘无标签数据的监督信息，从而达到提升模型性能而降低人力支出的目的。 ALSS提出采用对抗学习的方法，通过借鉴对抗生成网络里面的generator...
Semi-supervised Segmentation of Optic Cup in Retinal Fundus
静静地玛尼石
10-27 745
摘要主要说明了目前采用分割方法对于青光眼的诊断中，边界不明显的optic cup相比optic disc更难分割，因此这里只考虑optic cup的分割；本文方法的主要贡献点在于利用大量无标签数据的内在的特征来训练有少量标签数据集的分割模型，从而以半监督方式实现更高的分割精度；具体采用变分自编码器从无标签的数据集中学习数据潜在特征空间中的内嵌特征，然后文章将从无标签数据中通过变分自编码器中得到的内
Adversarial Learning forSemi-Supervised Semantic Segmentation
qq_51659249的博客
11-30 1238
本文提出了一种基于对抗网络的半监督语义分割方法，设计了一个全卷积判别器来判断预测值和GT，而且可以通过将对抗损失和交叉熵损失相结合来提高准确率，判别器分析无标签图像的初步预测，识别出其中比较确定或较为可靠的部分，并将这些区域作为监督信号，进一步指导模型进行学习。现有的一些方法可能采用弱标签（如图像级标签或者不完全标注的信息）来进行训练，而这篇方法则不同，它使用无标签图像，通过判别器识别可信区域来帮助模型训练，进一步提升了无标签数据的使用效率。
[论文阅读] Adversarial Learning for Semi-Supervised Semantic Segmentation
xiongxyowo的博客
11-24 2008
我们提出了一种使用对抗性网络进行半监督性语义分割的方法。虽然大多数现有的判别器都是在图像层面上对输入图像进行真假分类的训练，但我们以完全卷积的方式设计了一个判别器，以区分预测的概率图和考虑到空间分辨率的地面真实分割分布。我们表明，通过将对抗性损失与拟议模型的标准交叉熵损失相结合，所提出的判别器可用于提高语义分割的准确性。此外，全卷积判别器通过发现未标记图像的预测结果中值得信赖的区域，从而提供额外的监督信号，实现半监督学习。与现有的利用弱标记图像的方法相比，我们的方法利用未标记的图像来增强分割模型。在PASC
深度对抗网络用于分割(语义分割)——Adversarial Learning for Semi-Supervised Semantic Segmentation
热门推荐
未来不再遥远
08-27 1万+
Adversarial Learning for Semi-Supervised Semantic Segmentation 这篇文章引入对抗网络，做半监督学习，想法很好，也被证明有效果，但是有多大的提高有待商榷。可以说这篇文章的思路重点在于思想。 网络结构 分割网络 用的是DeepLab-v2+ResNet-101+ASPP结构。分割网络可以说很一般了，这篇paper的重点不在分割...
粗读Deep semi-supervised segmentation with weight-averaged consistency targets
qq_42578970的博客
11-11 341
本文采用了知识蒸馏的方法，对于有标签的图片，学生参照mask，根据传统的分割损失更新参数。对于无标签图像，学生模型会参照教师模型的输出，根据交叉熵损失更新参数。教师模型的参数则是根据学生模型上一个epoch训练后得到的参数进行更新。 ...
[论文阅读] Curriculum Semi-supervised Segmentation
xiongxyowo的博客
11-30 1180
本研究调查了半监督CNN分割的课程式策略，它设计了一个回归网络来学习图像级信息，如目标区域的大小。这些回归被用来有效地规范分割网络，约束未标记图像的softmax预测，使其与推断的标签分布相匹配。我们的框架基于不等式约束，可以容忍推断出的知识中的不确定性，例如，回归的区域大小。它可以用于大量的区域属性。我们评估了我们的方法在磁共振图像(MRI)中的左心室分割，并将其与标准的基于建议的半监督策略相比较。我们的方法取得了有竞争力的结果，以更有效的方式利用了未标记的数据，并接近完全监督的性能。
【Semantic Segmentation】语义分割综述 - - Semi-supervised
Arron_hou的博客
09-20 781
【Semantic Segmentation】语义分割综述 - - Semi-supervisedSemi-supervisedWeakly-Supervised Semantic Segmentation by Iteratively Mining Common Object Features CVPR18Weakly-Supervised Semantic Segmentation Netwo...
【论文精读】Semi-supervised Medical Image Segmentation through Dual-task Consistency
weixin_45648030的博客
07-07 3710
CVPR 2021 基于双任务一致性的半监督医学图像分割代码：GitHub - HiLab-git/DTC: Semi-supervised Medical Image Segmentation through Dual-task Consistency 基于深度学习的半监督学习(SSL)算法在医学图像分割方面取得了很有前景的结果，可以通过利用未标记的数据来减轻医生昂贵的注释。然而，文献中现有的SSL算法大多倾向于通过扰动网络或数据来regularize模型训练。观察到多任务/双任务学习关注具
Adversarial learning-based loss
最新发布
12-27
### 基于对抗学习的损失函数 在机器学习中，基于对抗学习的方法引入了一种新的范式来改进模型的表现力和鲁棒性。这类方法通常涉及两个相互竞争的网络：生成器（Generator）和判别器（Discriminator）。...
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