- 博客(65)
- 收藏
- 关注
RSS订阅原创 DINOv2: Learning Robust Visual Features without Supervision
DINOv2 是一种训练高性能计算机视觉模型的新方法。DINOv2 提供了强大的性能，并且不需要微调。由于是自监督( self-supervision)，DINOv2 可以从任何图像集合中学习。同时，它还可以学习到当现有方法无法学习的某些特征，例如深度估计。近年来，自然语言处理对大量数据进行模型预训练的突破为计算机视觉中类似的基础模型开辟了道路。这些模型可以通过生成通用的视觉特征来极大地简化任何系统中图像的使用，即在不进行微调的情况下跨图像分布和任务工作的特征。
2025-03-27 13:01:34
556
原创 Frozen CLIP-DINO: A Strong Backbone forWeakly Supervised Semantic Segmentation
IEEE2025
2025-03-14 19:51:38
703
原创 vscode输入！＋tab没反应？？
选择更改语言模式 change language mode，选择HTML然后试一下行不行，如果还不行看第二步。
2025-03-01 16:08:25
135
原创 SFC: Shared Feature Calibration in Weakly Supervised Semantic Segmentation
AAAI2024
2025-02-26 16:16:14
823
1
原创 CLIP is Also an Efficient Segmenter: A Text-Driven Approach for Weakly SSS
具有图像级标签的弱监督语义分割 (WSSS) 是一项具有挑战性的任务。主流方法遵循多阶段框架，训练成本高。在本文中，我们探索了对比语言-图像预训练模型 (CLIP) 的潜力，仅使用图像级标签来定位不同的类别，而无需进一步训练。为了从CLIP中高效地生成高质量的分割掩码，我们提出了一种新的WSSS框架CLIP-ES。我们的框架通过CLIP的特殊设计改进了WSSS的所有三个阶段:1)我们将softmax函数引入到GradCAM中，并利用CLIP的零镜头能力来抑制非目标类和背景引起的混淆。
2025-02-19 16:15:48
628
原创 Cross Language Image Matching for Weakly Supervised Semantic Segmentation（2022 CVPR）
众所周知，CAM (Class Activation Map) 通常只激活有区别的对象区域，并错误地包含大量与对象相关的背景。由于WSSS(弱监督语义分割)模型只有一组固定的图像级对象标签可用，因此抑制由开放集对象组成的不同背景区域可能非常困难。在本文中，我们提出了一种基于最近引入的用于 WSSS 的对比语言图像预训练 (CLIP) 模型的新型跨语言图像匹配 (CLIMS) 框架。我们框架的核心思想是引入自然语言监督来激活更完整的对象区域并抑制密切相关的开放背景区域。
2025-02-16 21:45:57
571
原创 Context Decoupling Augmentation for Weakly Supervised Semantic Segmentation（iccv2021）
数据增强对于深度学习神经网络至关重要。通过提供大量的训练样本，有助于提高模型的泛化能力。弱监督语义分割(WSSS)是一个具有挑战性的问题，近年来得到了广泛的研究，传统的WSSS数据增强方法通常采用几何变换、随机裁剪和颜色抖动。然而，仅仅增加相同的上下文语义数据并没有给网络带来太多好处来区分对象，例如，“飞机”的正确图像级分类不仅可能是由于对象本身的识别，还可能是由于其共现上下文，如“天空”，这将导致模型较少关注对象特征。
2025-01-01 21:56:36
837
原创 APIs-day3
2.事件流事件流是事件完整执行过程中的流动路径：从父到子，DOM.addEventListener（事件类型，事件处理函数，是否使用捕获机制）：从子到父，当一个元素的事件被触发时，同样的事件会在该元素的所有祖先元素中依次被触发，（同名事件）：把事件限制在当前元素中，事件对象.stopPropagation（） 冒泡和捕获都有效L2 事件解绑：removeEventListener（事件类型，事件处理函数，【获取捕获或者冒泡阶段】）匿名函数不能解绑L0事件解绑：btn.onclick=null。
2024-12-27 16:35:43
254
原创 html的学习
第一行先写个声明 有助于浏览器正确显示网页<!<head>里面放<meta charset="utf-8"> 网页编码格式。还有<title><body>里面放网页内容整体由<html>标签包裹。
2024-11-29 17:13:36
719
原创 面向对象进阶-包和final
放在成员位置的代码块，可以把多个构造方法中重复的代码抽取出来，在创建本类对象的时候会先执行构造代码块，再执行构造方法。特点 需要通过static关键字修饰，随着类的加载而加载，并且自动触发，多个单词：全部大写，单词之间用下划线隔开。实际开发中，常量一般作为系统的配置信息，方便维护，提高可读性。实际开发中，常量一般为系统的配置信息，方便维护，提高可读性。修饰： 方法， 表明该方法是最终方法，不能被重写。登录用户信息的初始化改进：这样会有一个初始信息。使用场景：在类加载时候，做一些数据。
2024-11-27 13:33:46
396
原创 面向对象进阶-多态
方法区会先加载父类字节码文件，在加载子类字节码文件，这里省略了object类字节码文件。（编译的时候看左边，看父类有没有name，有的话编译成功，没有编译失败。使用父类型作为参数，可以接收所有子类对象，体现多态的扩展性与便利。如果不知道这个a是什么类型，可以先判断一下是哪个类型。编译看左边，先检查父类有没有这个方法，没有就报错了。调用成员变量：编译看左边，运行也看左边；判断传入的是猫还是狗，输出定位到猫或者狗。调用成员方法：编译看左边，运行看右边。：父类类型 对象名称=子类对象。同类型对象，表现不同形态。
2024-11-26 16:47:12
333
原创 面向对象进阶
this 理解为变量，当前方法的调用者的地址值。super 代表父类存储空间调用本类其他构造方法：在子类构造方法中 只要有一个构造去访问父类就行，this需要写在第一行。
2024-11-25 19:47:28
774
原创 Exploit CAM by itself: Complementary Learning System forWeakly Supervised Semantic Segmentation
Transactions on Machine Learning Research
2024-11-25 18:21:48
621
原创 案例学习java
要求3，通过id删除学生信息，存在，删除，不存在，提示删除失败。要求4，删除完毕后，遍历所有学生。要求1，添加一个学生，要做学号唯一性判断，要求2，添加完毕，遍历所有学生。要求5：查询id‘002’的学生，如果存在，年龄加1。数组长度为3，存储3名学生对象最为初始数据，第二套：遇到回车才停止接收数据。
2024-11-12 16:38:51
216
原创 Hunting Attributes: Context Prototype-Aware Learning forWeakly Supervised Semantic Segmentation
2024cvpr
2024-10-30 09:20:57
1011
原创 Fine-grained Background Representation forWeakly Supervised Semantic Segmentation
我们认为图像背景（BG）与前景（FG）有不同的语义粒度，并添加了两个投影头φfg和φbg，独立于FG对BG进行建模，以捕捉多样化的背景信息，并优化两种对比关系：（1）前景到背景和（2）前景内部。与现有方法[6]、[31]、[33]不同，这些方法要么使用像素特征，要么使用原型来给出一个抽象的背景表示，我们的关键创新在于明确地对图像背景进行建模，使用一种新颖的细粒度原语（primitive），并执行前景-背景（Foreground-Background, FB）对比，以消除背景混淆（第IV-B节）。
2024-10-10 17:34:26
936
原创 Knowledge Transfer with Simulated Inter-ImageErasing for Weakly Supervised SemanticSegmentation
eccv2024
2024-09-27 21:02:41
822
原创 方法部分 学习
引用数据类型：数组 赋值给其他变量，给的是地址值。基本数据类型：整数 浮点数 布尔 ， 赋值给其他变量是给的真实值。选中代码 ctrl+alt+m。
2024-09-24 19:14:32
370
原创 java基础
JDK:java开发工具包；JVM虚拟机，核心类库，开发工具。在目录这里输入cmd回车，直接进入终端。javac编译文件 java运行。高级记事本：notepad++JRE是java运行环境。
2024-09-14 15:58:42
291
原创 Frozen CLIP: A Strong Backbone for Weakly Supervised Semantic Segmentation
2024cvpr
2024-09-10 21:40:35
1364
原创 DuPL: Dual Student with Trustworthy Progressive Learning for Robust WSSS
2024cvpr
2024-09-08 17:05:39
1229
4
原创 Self Correspondence Distillation for End-to-End Weakly-Supervised SemanticSegmentation
AAAI2023
2024-09-02 20:40:06
917
原创 Spatial Structure Constraints for Weakly SupervisedSemantic Segmentation
IEEE2024
2024-08-28 22:09:37
837
原创 Clustering-Guided Class Activation for WeaklySupervised Semantic Segmentation
IEEE2024
2024-08-26 18:42:37
929
原创 Multi-class Token Transformer for Weakly Supervised Semantic Segmentation
CVPR2022
2024-08-25 21:41:17
852
原创 Towards Noiseless Object Contours for Weakly Supervised SemanticSegmentation
CVPR2022
2024-08-23 12:23:21
876
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人