-
题名基于图像级标签的弱监督图像语义分割综述
被引量：3
- 1
-
-
作者
谢新林
尹东旭
续欣莹
刘晓芳
罗臣彦
谢刚
-
机构
太原科技大学电子信息工程学院
先进控制与装备智能化山西省重点实验室
太原理工大学电气与动力工程学院
-
出处
《太原理工大学学报》
CAS
北大核心
2021年第6期894-906,共13页
-
基金
国家自然科学基金资助项目(62006169)
山西省自然科学基金资助项目(201901D211304、201904D131023)。
-
文摘
依据图像级标签位置推断方式的不同,将基于图像级标签的弱监督图像语义分割划分为基于超像素的方法和基于分类网络先验的方法,并分别从各类方法的原理、优缺点、关键环节、主要技术、特征、超像素/候选区域分割方式、种子区域产生方式、网络结构和数据集等方面进行了详细的分析和总结。其次,对基于图像级标签的弱监督图像语义分割常用的数据集和评价指标进行了总结,并对各数据集的特点进行了详细的描述。最后,在MSRC、PASCAL VOC 2012、MS COCO和Sift Flow数据集上对基于图像级标签的弱监督图像语义分割方法的性能进行了对比与分析,并分别从面向大规模多媒体分享网站大数据、特定应用场景、图像级标签位置推断策略三个研究方向对弱监督图像语义分割的研究方向进行了展望和预测。
-
关键词
语义分割
弱监督学习
图像级标签
超像素
深度卷积神经网络
-
Keywords
semantic segmentation
weakly-supervised learning
image-level labels
superpixels
deep convolutional neural network
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于图像特定分类器的弱监督语义分割
- 2
-
-
作者
郭子麟
吴东岳
高常鑫
桑农
-
机构
华中科技大学人工智能与自动化学院
-
出处
《自动化学报》
北大核心
2025年第6期1191-1204,共14页
-
基金
国家自然科学基金(62176097,61433007)
中央高校基本科研业务费(2019kfyXKJC024)
计算智能与智能控制111计划(B18024)资助。
-
文摘
基于图像级标签的弱监督语义分割算法因极低的标注成本引起学界广泛关注.该领域的算法利用分类网络产生的类激活图实现从图像级标签到像素级标签的转化.然而类激活图往往只关注于图像中最显著的区域,致使基于类激活图产生的伪标签与真实标注存在较大差距,主要包括前景未被有效激活的欠激活问题以及前景间预测混淆的错误激活问题.欠激活源于数据集类内差异过大,致使单一分类器不足以准确识别同一类别的所有像素;错误激活则是数据集类间差异过小,导致分类器不能有效区分不同类别的像素.本文考虑到同一类别像素在图像内的差异小于在数据集中的差异,设计基于类中心的图像特定分类器,以提升对同类像素的识别能力,从而改善欠激活,同时考虑到类中心是类别在特征空间的代表,设计类中心约束函数,通过扩大类中心间的差距从而间接地疏远不同类别的特征分布,以缓解错误激活现象.图像特定分类器可以插入其他弱监督语义分割网络,替代分类网络的分类器,以产生更高质量的类激活图.实验结果表明,本文所提出的方案在两个基准数据集上均具有良好的表现,证实了该方案的有效性.
-
关键词
语义分割
图像级标签
分类器
类激活图
弱监督学习
-
Keywords
Semantic segmentation
image-level label
classifiers
class activation maps
weakly supervised learning
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名融合显著边界约束的弱监督语义分割方法
- 3
-
-
作者
白雪飞
张丽娜
王文剑
-
机构
山西大学计算机与信息技术学院
山西大学计算智能与中文信息处理教育部重点实验室
山西警察学院网络安全保卫系
-
出处
《计算机工程与应用》
北大核心
2025年第19期214-225,共12页
-
基金
国家自然科学基金(U21A20513,62076154,62276161)
山西省重点研发项目(202102150401013)
山西省回国留学人员科研资助项目(2022-008)。
-
文摘
针对现有弱监督语义分割方法存在的类激活不足、伪标签边界不清晰的问题,提出了融合显著边界约束的弱监督语义分割方法。提出由共享参数的孪生网络作为类激活图生成网络,将仿射变换前后的图像作为孪生网络两个分支的输入,得到不同的类激活图后,通过一致性损失函数融合仿射变换前后的互补信息,以生成具有完整信息的类激活图。设计显著性修正模块,在类激活图中引入边界约束,抑制背景信息的错误激活;同时,设计显著性亲和模块从显著图中学习像素之间的亲和矩阵,进一步细化初始伪标签,提升模型的语义分割性能。实验结果表明,该方法在PASCAL VOC 2012验证集上的mIoU值为71.4%,与基线相比,性能提升了2.1个百分点,测试集上的mIoU值为70.8%;在COCO 2014验证集上的mIoU值为39.2%,展现了良好的分割结果,该方法可以更好地完成弱监督语义分割任务。
-
关键词
弱监督语义分割
图像级标签
TRANSFORMER
卷积神经网络
孪生网络
显著图
-
Keywords
weakly-supervised semantic segmentation
image-level labels
Transformer
convolutional neural network
siamese network
saliency map
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
-
题名边缘深度挖掘的弱监督显著性目标检测
被引量：5
- 4
-
-
作者
李军侠
王星驰
殷梓
石德硕
-
机构
南京信息工程大学计算机学院
南京信息工程大学自动化学院
-
出处
《计算机工程》
CAS
CSCD
北大核心
2023年第7期169-178,共10页
-
基金
科技创新2030—“新一代人工智能”重大项目(2018AAA0100400)。
-
文摘
基于深度学习的显著性目标检测算法大多依赖于大规模标注数据下的监督学习模式,但是,样本的像素级标签存在获取困难、标注成本高的问题。为此,设计一种边缘深度挖掘的弱监督显著性目标检测算法,仅使用图像级类别标签,从输入图像的显著性目标边缘角度得到能够较准确描述目标轮廓信息的边缘特征图,以生成伪标签对显著性模型进行监督训练。通过粗糙边缘生成模块对显著性目标轮廓特征进行简单标定,用于获取粗糙边缘特征图。在此基础上,利用精细边缘生成模块优化特征以得到精细边缘特征图,能够更准确地反映目标的边界信息,在完整刻画轮廓信息的同时可以更好地抑制背景噪声。伪标签生成模块基于精细边缘特征图生成像素级伪标签。实验结果表明,相比MSW、MFNet、NSAL等算法,该算法能够准确识别显著性区域,获得的预测图具有较完整的细节信息,其中,在ECSSD数据集上S-measure值和E-measure值相较于第2名NSAL算法分别提高1.1和0.6个百分点。
-
关键词
弱监督
显著性目标检测
深度学习
图像级类别标签
伪标签
-
Keywords
weakly supervised
Salient Object Detection(SOD)
deep learning
image-level category label
pseudo label
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
