《ScribbleSup》笔记

最新推荐文章于 2020-09-16 22:49:59 发布
最新推荐文章于 2020-09-16 22:49:59 发布
阅读量989 收藏 2
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 学习笔记 文章标签： 弱监督 图像分割
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.csdn.net/lytxiaohou/article/details/85061406
本文介绍了ScribbleSup算法，一种利用简单区域标记进行弱监督的图像分割方法。通过结合GrabCut的能量函数和FCN进行交替优化，实现图像分割。文章详细阐述了损失函数的构成，包括分类一致性、图像统计信息和GrabCut的能量项，并讨论了训练过程，揭示了其实质是先用GrabCut得到分割标签，再用CNN进行监督训练。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

《ScribbleSup: Scribble-Supervised Convolutional Networks for Semantic Segmentation》笔记


for Semantic Segmentation》笔记)

学习笔记，如有谬误，还请不吝赐教！

解决的问题以及方法

弱监督的图像分割算法，用的是简单的区域标记（见图）来监督学习图像分割。不过解决方案就比较简单粗暴了，就是1.通过标记信息，利用grabcut的方法得到一个分割（所以这里就是一个能量函数的问题）。2.利用FCN来拟合分割。只不过这篇文章在训练（优化）的时候把这两步一起做了。（为啥呢？这和先grabcut再FCN有啥区别呢… 其实它实际做的时候也是1，2交替优化的…）
在这里插入图片描述

相关细节

主要就是优化一个损失函数
在这里插入图片描述

符号描述（这里用的是超像素x）
在这里插入图片描述

第一项：
在这里插入图片描述
意思就是超像素的分类如果和标记类相同，那就不惩罚；如果超像素没有被标记，那么这个超像素的类等可能的是这张图里出现的每个类；其他的都要给一个很大的惩罚…（这个正无穷是什么鬼啊！嗯… 应该是grabcut的方法不在乎梯度的问题，这里给一个足够大的值就可以…）附上原文

最低0.47元/天 解锁文章

200万优质内容无限畅学
[深度学习论文笔记][CVPR 16]ScribbleSup: Scribble-Supervised Convolutional Networks for Semantic Segmentation
KFXW的专栏
07-15 5333
这篇文章提出了一种基于用户交互的图片分割训练方法(ScribbleSup)。 即训练者只需要在图片上的小部分区域进行标注(scribble annotation)即可训练分割网络。
图像分割"ScribbleSup: Scribble-Supervised Convolutional Networks for Semantic Segmentation"
cv_family_z的博客
06-15 4532
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
16-Scribblesup_Scribble-supervised_convolutional_networks_for_semantic_segmentation
u010067397的专栏
12-22 821
这篇文章提出了一种基于用户交互的图片分割训练方法(ScribbleSup)。即训练者只需要在图片上的小部分区域进行标注(scribble annotation)即可训练分割网络。如下图所示的标注方式（左图：原图；中图：传统的语义分割标注；右图：scribble annotation）： 创新 语义分割模型的弱监督训练。和其它使用bounding box或者全图语义标注作为监督信息的文...
学习笔记2
wm130528的博客
09-16 166
while-else循环：当while循环正常执行完的情况下，执行else输出，如果while循环中执行了跳出循环的语句，比如break，将不执行else代码块的内容。 for-else循环:当for循环正常执行完的情况下，执行else输出，如果for循环中执行了跳出循环的语句，比如break，将不执行else代码块的内容，与while - else语句一样。 enumerate()函数：enumerate(sequence,[start=0]) sequence:一个序列 迭代器或其他支持迭代对象。 st
Semantic Segmentation
Touch_Dream的博客
10-26 2178
Semantic Segmentation Deep Dual Learning for Semantic Image Segmentation-2017 [Paper]Segmentation-Aware Convolutional Networks Using Local Attention Masks - 2017 [Paper] [Code-Caffe][Project]Stacke
《From Image-level to Pixel-level Labeling with Convolutional Networks》笔记
lytxiaohou的博客
12-19 847
《ScribbleSup: Scribble-Supervised Convolutional Networks for Semantic Segmentation》笔记学习笔记，如有谬误，还请不吝赐教！解决的问题以及方法大致流程相关细节后记 for Semantic Segmentation》笔记) 学习笔记，如有谬误，还请不吝赐教！ 解决的问题以及方法 用分类标签做图像分割的弱监督分割算法。所...
CNN在基于弱监督学习的图像分割中的应用
11-21 1万+
最近基于深度学习的图像分割技术一般依赖于卷积神经网络CNN的训练，训练过程中需要非常大量的标记图像，即一般要求训练图像中都要有精确的分割结果。对于图像分割而言，要得到大量的完整标记过的图像非常困难, 因此使用弱监督学习可以克服这个问题。
深度学习系列-图像分割-算法综述
qqywm的博客
03-14 1万+
传统的基于CNN的分割方法缺点？ 传统的基于CNN的分割方法：为了对一个像素分类，使用该像素周围的一个图像块作为CNN的输入，用于训练与预测，这种方法主要有几个缺点： 1）存储开销大，例如，对每个像素使用15 * 15的图像块，然后不断滑动窗口，将图像块输入到CNN中进行类别判断，因此，需要的存储空间随滑动窗口的次数和大小急剧上升； 2）效率低下，相邻像素块基本上是重复的，针对每个像素块逐个计算...
智能剪刀——交互式图像分割
mapupcal的博客
04-21 2万+
Demo Video：注：图片来自[2]作者：@Mapupcal前言：智能剪刀算法（Intelligent Scissors）是由Eric N. Mortensen和William A. Barrett于1995年提出来的一种图像分割的交互算法，可以用于2D图像分割，论文见[1][2]。该算法可以用于辅助用户精确地勾勒出感兴趣的区域。其可以在运行时快速地定位到该图像区域的边缘上，通过与用户交互，更...
[深度学习论文笔记]Temporal Localization of Fine-Grained Actions in Videos by Domain Transfer from Web Images
KFXW的专栏
01-03 721
[ACM MM 15] Temporal Localization of Fine-Grained Actions in Videos by Domain Transfer from Web Images Chen Sun, Sanketh Shettyy, Rahul Sukthankary and Ram Nevatia from USC & Google paper link Mot...
交互式图像分割
01-19
交互式图像分割 啦啦啦 交互式图像分割 啦啦啦
Level Shift的影响及使用及位置
cy413026的博客
04-11 1万+
H2L ：一般放在Low Voltage，因为H2L LevelShift的supply Voltage是VDDL，如果放在High Voltage就需要将VDDL的power rail route到VDDH domain 如果高低电压差别不大，对VDDL的cell的时序影响可接受，是不需要H2L LevelShift的 L2H：同时考虑时序和电压的影响， Level Shift放在哪个do...
语义分割标注工具箱
weixin_33566282的博客
03-11 4071
语义分割标注工具箱 vedaseg是一个基于PyTorch的开源语义分割工具箱： https://github.com/Media-Smart/vedaseg Labelme： https://github.com/wkentaro/labelme 知乎汇总： https://www.zhihu.com/question/30626971 ...
CNN 在基于弱监督学习的图像分割中的应用
weixin_34414650的博客
08-02 267
最近基于深度学习的图像分割技术一般依赖于卷积神经网络 CNN 的训练，训练过程中需要非常大量的标记图像，即一般要求训练图像中都要有精确的分割结果。 对于图像分割而言，要得到大量的完整标记过的图像非常困难，比如在 ImageNet 数据集上，有 1400 万张图有类别标记，有 50 万张图给出了 bounding box, 但是只有 4460 张图像有...
语义分割 - Semantic Segmentation Papers
热门推荐
长风破浪会有时，直挂云帆济沧海
05-23 3万+
Semantic Segmentation Learning a Discriminative Feature Network for Semantic Segmentation - CVPR2018 - Face++ [Paper] Vortex Pooling: Improving Context Representation in Semantic Segmentation - 2018...
学习笔记1
wm130528的博客
09-15 535
注释：单独的一个 # 用与单行注释，两个 ‘’’ 或者 “”" 用于多行注释 （想成为一个优秀的程序员一定要坚持写注释呀！） 算数运算符: 加+ 减 - 乘* 除 / 地板除// 幂次方** /返回的是算数的结果，而//地板除返回的则是取整后的结果，只是单纯的取整，不会去四舍五入。 比较运算符：> 大于 >= 大于等于 <小于 <=小于等于 ==等于 ！= 不等于 逻辑运算符： and 与 都真为真 有一个为假则为
评论 1
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