弱監督語義分割是一項具有挑戰性的任務，因為沒有提供像素級的標簽信息供訓練使用。最近的方法利用分類網絡，通過選擇具有強響應的區域來定位目標。然而，雖然這種響應映射提供了稀疏信息，但在自然圖像中像素之間存在很強的兩兩關系，可以利用這種兩兩關系將稀疏映射傳播到更密集的區域。本文提出了一種迭代算法來學習這種兩兩關系，它由兩個分支組成，一個是學習每個像素的標簽概率的一元分割網絡，另一個是學習親和矩陣并細化由一元網絡生成的概率圖的兩兩親和網絡。將兩兩網絡的細化結果作為監督，對一元網絡進行訓練，通過迭代的方法逐步獲得較好的分割效果。為了在不需要精確標注的情況下獲得可靠的像素親和力，我們還提出了可信區域的挖掘方法。我們證明了迭代訓練這個框架等價于優化一個收斂到局部最小值的能量函數。在PASCAL VOC 2012和COCO數據集上的實驗結果表明，所提出的算法在性能上優于目前最先進的方法。
付費5元查看完整內容
相關內容
國際計算機視覺雜志IJCV（International Journal of Computer Vision）詳細介紹了這個迅速發展的領域的科學和工程技術。常規文章介紹了廣泛關注的重大技術進步。調查文章提供了對最新技術水平的評論和/或相關主題的教程演示。主題范圍包括：計算機視覺的數學，物理和計算方面：圖像形成，處理，分析和解釋；機器學習技術；統計方法；傳感器。應用程序：基于圖像的渲染，計算機圖形學，機器人技術，照片解釋，圖像檢索，視頻分析和注釋，多媒體等。與人類感知的聯系：人類視覺的計算和架構方面。該期刊還包括書評，立場文件，頂尖科學人物的社論以及其他在線資料，例如靜止圖像，視頻序列，數據集和軟件。
官網地址：
基于學習的圖匹配方法已經發展和探索了十多年，最近在范圍和受歡迎程度方面迅速增長。然而，以往的基于學習的算法，無論有沒有深度學習策略，都主要關注節點和/或邊緣親和力生成的學習，而對組合求解器的學習關注較少。在這篇論文中，我們提出了一個完全可訓練的圖匹配框架，在這個框架中，親和的學習和組合優化的求解不像以前的許多技術那樣被明確地分開。首先將兩個輸入圖之間的節點對應問題轉化為從一個構造的賦值圖中選擇可靠節點的問題。然后，利用圖網絡塊模塊對圖進行計算，形成每個節點的結構化表示。最后對每個節點預測一個用于節點分類的標簽，并在正則化的排列差異和一對一匹配約束下進行訓練。該方法在四個公共基準上進行了評估，并與最先進的算法進行了比較，實驗結果表明了該方法的良好性能。
付費5元查看完整內容
題目： Self-supervised Equivariant Attention Mechanism for Weakly Supervised Semantic Segmentation
摘要： 圖像級弱監督語義分割是近年來深入研究的一個具有挑戰性的問題。大多數高級解決方案都利用類激活映射(CAM)。然而，由于監督的充分性和弱監督的差距，CAMs很難作為目標掩模。在這篇論文中，我們提出了一個自我監督的等變注意機制(SEAM)來發現額外的監督并縮小差距。我們的方法是基于等方差是完全監督語義分割的一個隱含約束，其像素級標簽在數據擴充過程中與輸入圖像進行相同的空間變換。然而，這種約束在圖像級監控訓練的凸輪上丟失了。因此，我們提出了對不同變換圖像的預測凸輪進行一致性正則化，為網絡學習提供自監督。此外，我們提出了一個像素相關模塊(PCM)，它利用上下文外觀信息，并改進當前像素的預測由其相似的鄰居，從而進一步提高CAMs的一致性。在PASCAL VOC 2012數據集上進行的大量實驗表明，我們的方法在同等監督水平下表現優于最先進的方法。
付費5元查看完整內容
場景流估計在三維環境感知中越來越受到重視。單目場景流估計是一個高度不適定的問題，目前缺乏實用的解決方案。單目場景流估計是從兩個時間上連續的圖像中獲取三維結構和三維運動。我們提出了一種新的單目場景流算法，該算法具有較強的精度和實時性。采用逆問題觀點，我們設計了一個單獨的卷積神經網絡(CNN)，它可以成功地從一個經典的光流成本體積同時估計深度和三維運動。我們采用帶有三維損失函數和遮擋推理的自監督學習來利用未標記的數據。我們驗證了我們的設計選擇，包括代理丟失和增加設置。我們的模型在單目場景流的無監督/自監督學習方法中達到了最先進的精度，并在光流和單目深度估計子任務中獲得了具有競爭力的結果。半監督微調進一步提高了精度，并在實時產生有希望的結果。
付費5元查看完整內容
當對一系列學習問題進行優化時，卷積神經網絡會經歷災難性的遺忘:當滿足當前訓練示例的目標時，它們在以前任務中的性能會急劇下降。在這項工作中，我們介紹了一個基于條件計算的新的框架來解決這個問題。
付費5元查看完整內容
主題： Weakly-Supervised Salient Object Detection via Scribble Annotations
摘要： 與費力的逐像素密集標記相比，這種方法更容易通過涂抹來標記數據，僅花費1-2秒即可標記一張圖像。然而，尚未有人探索使用可劃線標簽來學習顯著物體檢測。在本文中，我們提出了一種弱監督的顯著物體檢測模型，以從此類注釋中學習顯著性。為此，我們首先使用亂碼對現有的大型顯著物體檢測數據集進行重新標記，即S-DUTS數據集。由于對象的結構和詳細信息不能通過亂寫識別，因此直接訓練帶有亂寫的標簽將導致邊界位置局限性的顯著性圖。為了緩解這個問題，我們提出了一個輔助的邊緣檢測任務來明確地定位對象邊緣，并提出了門控結構感知損失以將約束置于要恢復的結構范圍上。此外，我們設計了一種涂鴉增強方案來迭代地整合我們的涂鴉注釋，然后將其作為監督來學習高質量的顯著性圖。我們提出了一種新的度量標準，稱為顯著性結構測量，用于測量預測顯著性圖的結構對齊方式，這與人類的感知更加一致。在六個基準數據集上進行的大量實驗表明，我們的方法不僅優于現有的弱監督/無監督方法，而且與幾種完全監督的最新模型相提并論。
付費5元查看完整內容
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191