《STC: A Simple to Complex Framework for Weakly-supervised Semantic Segmentation》笔记

最新推荐文章于 2024-09-11 19:14:34 发布
最新推荐文章于 2024-09-11 19:14:34 发布
阅读量1k 收藏
点赞数
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/85231008
本文介绍了STC（Simple to Complex）框架在弱监督语义分割中的应用，首先从简单的背景和前景图像开始学习，逐步处理更复杂的图像。核心思想是生成可靠的掩模，用CNN进行拟合。文章详细阐述了Initial DCNN、Enhanced-DCNN和Powerful-DCNN三个阶段，其中Initial DCNN利用显著图生成初始分割，Enhanced-DCNN通过前一阶段结果改进，而Powerful-DCNN处理多标签图像。

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

《STC: A Simple to Complex Framework for Weakly-supervised 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

Image level的弱监督分割算法，从简单的背景简单、前景单一图像学起，再学习复杂图像的过程。

框架及细节

在这里插入图片描述
主要的想法还是想方设法搞出比较靠谱的掩码，然后CNN拟合。

Initial DCNN

通过《Salient object detection: A discriminative regional feature integration approach》的方法得到显著图，通过交叉熵训练网络，标签就是归一化的显著图（不过他这里说是多分类交叉熵，但他又说对于简单的图像，就认为是只有一个类，所以这里其实就是一个两类的交叉熵，一个标签标记的前景，用显著图的归一化值做标签，一个是背景，就用1减掉）

Enhanced-DCNN

通过第一个网络得到大致分割的结果，通过图像标签选择对应类的掩码，监督训练。
在这里插入图片描述

Powerful-DCNN

和上一个的区别就是使用更复杂的图像，多标签的图像就在多个掩码中选择最大的。

最低0.47元/天 解锁文章

200万优质内容无限畅学
论文笔记--STC: A Simple to Complex Framework for Weakly-supervised Semantic Segmentation
隐匿人海的博客
11-23 2367
---------------------- 论文是作为组内论文报告为大家讲述的，现在将一些重要思想摘录如下。 ---------------------- 论文是9月份NUS的发表在arXiv上的，论文模板是TPAMI的模板，貌似是要投TPAMI的短文么？ 言归正传，现在还是说论文吧。 论文题目是STC，即Simple to Complex的一个框架，使用弱标签
18-Weakly-Supervised-Semantic-Segmentation-Network-with-Deep-Seeded-Region-Growing
u010067397的专栏
12-30 2708
when cvpr18 what 本文研究了仅使用图像级标签作为监督来学习图像语义分割网络的问题，这一点很重要，因为它可以显着减少人类的标注工作。 最近关于该问题的最新方法首先使用深度分类网络推断每个对象类的稀疏和鉴别区域，然后使用鉴别区域作为监督来训练语义分割网络。 在种子区域扩展的传统图像分割方法的启发下，我们提出从鉴别区域开始训练语义分割网络，逐步增加种子区域扩展的像素级监督。种子区域...
论文笔记（3）：STC: A Simple to Complex Framework for Weakly-supervised Semantic Segmentation
weixin_30622107的博客
01-02 396
论文题目是STC，即Simple to Complex的一个框架，使用弱标签（image label）来解决密集估计（语义分割）问题。 2014年末以来，半监督的语义分割层出不穷，究其原因还是因为pixel级别的GroundTruth太难标注，因此弱监督成了人们研究的一个热门方向。 作者的核心思想是提出了层层递进的三个DCNN。 具体来讲，作者一共训练了三个网络：Initial D...
16-STC_A_Simple_to_Complex_Framework_for_Weakly-supervised_Semantic_Segmentation
u010067397的专栏
12-23 309
主要思想 作者的核心思想是提出了层层递进的三个DCNN，用前一个CNN的结果来作为下一个CNN的结果。 具体来讲，作者一共训练了三个网络：Initial DCNN、Enhanced DCNN和Powerful DCNN。分别解释如下： Initial DCNN： 其实可以把它当作是一个有显著性检测功能的CNN，但“它”能够知道显著性的物体是什么。具体实现是由DRIF方法生成Saliency M...
[论文笔记]STC: A Simple to Complex Framework
静如脱兔(⋌▀¯▀)=☞动如脱兔的博客
05-17 806
STC论文笔记AbstractIntroduction挑战性问题显著性目标检测方法文章切入点本文提出的Simple to Complex框架ContributionRelated Work弱监督语义分割自步学习：每次迭代自动选择训练样本Proposed Method框架过程Experiments Abstract 两个分割网络Initial-DCNN（显著性映射）和Enhanced-DCNN（预测分割mask） Introduction 挑战性问题 high intra-class variation（类
弱监督语义分割（Weakly-Supervised Semantic Segmentation）
lolisky的博客
02-14 7130
弱监督语义分割通过利用更简单易得的图像级标注，以训练分类模型的方式获取物体的种子分割区域并优化，从而实现图像的像素级、密集性预测。
语义分割-Unsupervised Domain Adaptation in Semantic Segmentation：a Review语义分割中的无监督领域自适应：综述
ssshyeong的博客
11-28 5617
对语义分割的深层网络的无监督域自适应（UDA）的最新进展进行综述。
弱监督的语义分割论文汇总（持续更新ing）
PRIS-SCMonkey的博客
05-27 6973
弱监督的语义分割论文汇总弱监督语义分割导读弱监督语义分割论文整理基于Bounding box的弱监督语义分割基于Image-level labels的弱监督语义分割基于Scribbles的弱监督语义分割基于Points的弱监督语义分割 弱监督语义分割导读 一般认为，图像级的标注是弱标注（例如图像分类的类别标注），像素级的标注是强标注（例如分割标注的mask标注），对于普通的分割任务来说： 数据是图像，标注是mask，这属于完全监督问题Supervised； 如果标注是annotations或者图像级标注，
Weakly supervised semantic segmentation:AE
weixin_43812007的博客
07-05 417
Object Region Mining with Adversarial Erasing: A Simple Classification to Semantic Segmentation Approach Abstract 对抗性擦除：提出的方法通过以对抗的方式擦除当前挖掘的区域来驱动分类网络顺序地发现新的和补充的目标区域。 首先通过一个分类网络，找出响应度最高的位置，擦除这些位置，然后把擦除后的图片送入分类网络，分类网络为了弥补性能的损失，就要关注其他有区分度的部分，如此迭代直到没有有用的区域剩下。将
Weakly-Supervised Semantic Segmentation via Sub-category Exploration
青灵_Yaffa的博客
07-18 1515
Weakly-Supervised Semantic Segmentation via Sub-category ExplorationAbstract问题1.Introduction Abstract 现有的使用图像级标注的弱监督语义分割方法通常依赖于初始响应来定位目标区域。然而，分类网络生成的这种响应图通常集中在有区别的对象部分，因为网络不需要优化目标函数的整个对象。为了强制网络关注对象的其他部分，我们提出了一种简单而有效的方法，通过利用子类别信息引入一个自我监督任务。具体来说，我们对图像特征进行聚类，
Weakly- and Semi-Supervised Learning of a Deep Convolutional Network for.pdf
05-22
Weakly- and Semi-Supervised Learning of a Deep Convolutional Network for.pdf Weakly- and Semi-Supervised Learning of a Deep Convolutional Network for.pdf
End-to-End Weakly-Supervised SemanticSegmentation with Transformers
sanguine__的博客
03-03 1532
CVPR2022
Weakly Supervised Semantic Segmentation with Boundary Exploration论文解读
qq_42688502的博客
10-22 1288
Weakly Supervised Semantic Segmentation with Boundary Exploration论文解读 摘要：为了在弱监督下获得语义分割，本文提出了一种简单而有效的方法，该方法基于从训练图像中显式探索对象边界以保持。 具体来说，我们通过利用从分割和边界的一致率。具体来讲，利用CNN分类器获得的粗定位映射来合成边界注释，并使用注释来训练本文提出的称为BENet的网络，BENet可以进一步挖掘更多的对象边界来为语义分割提供约束。 最后，利用生成的训练图像伪注释来监督一个现成的
【论文】Learning Affinity from Attention: ... Weakly-Supervised Semantic Segmentation with Transformers
rocking_struggling的博客
09-20 1476
论文阅读笔记：Learning Affinity from Attention: End-to-End Weakly-Supervised Semantic Segmentation with Transformers
十一章：Weakly-Supervised Semantic Segmentation Network —— 基于深度种子区域增长的弱监督语义分割网络
ADICDFHL的博客
07-27 694
本文研究了只使用图像级别标签作为监督来学习图像语义分割网络的问题，这是重要的，因为它可以显著减少人工标注的工作量。最近在这个问题上的最新方法首先使用深度分类网络推断出每个对象类的稀疏和有区别的区域，然后使用有区别的区域作为监督来训练语义分割网络。受传统图像分割方法中种子区域生长的启发，我们提出了一种从有区别的区域开始训练语义分割网络，并逐渐增加像素级别监督的方法，通过种子区域生长引入。种子区域生长模块被集成在深度分割网络中，并且可以从深度特征中受益。与传统的固定/静态标签的深度网络不同，提出的弱监督网络使用
【弱监督学习】Weakly supervised segmentation of SAR imagery using superpixel and hierarchically adversarial
weixin_43728604的博客
10-18 1137
这是一篇2019年发表在Remote sensing期刊上的有关SAR图像语义分割的弱监督工作。这篇文章的动机是要解决现有的大多数方法通常忽略图像的外观和空间连续性、需要大量的训练数据、算法不能够实现实时性的问题。提出了一种结合条件GAN（CGAN）和CRF的一种弱监督语义分割方法。
极简笔记 多篇weakly supervised segmentation笔记
Hibercraft的博客
01-18 4147
极简笔记 多篇weakly supervised segmentation笔记 Backtracking ScSPM Image Classifier for Weakly Supervised Top-down Saliency 文章主要思想是通过遮挡部分区域，观察分类confidence的改变来决定pixel-level的预测。文章没有使用CNN结构，而是使用SIFT特征+稀疏编码+SVM进...
引入新高度：弱监督语义分割的卓越之选 —— Awesome Weakly-supervised Semantic Segmentation
gitblog_00074的博客
06-20 426
???? 引入新高度：弱监督语义分割的卓越之选 —— Awesome Weakly-supervised Semantic Segmentation 在计算机视觉领域中，语义分割作为一种重要且基础的技术，在自动驾驶、医学影像识别以及机器人导航等方面发挥着至关重要的作用。然而，高质量的标注数据是深度学习模型训练的关键，但其获取成本高昂且耗时。面对这一挑战，弱监督语义分割以其高效、低成本的优势脱颖而出。 1...
【读点论文】WEAKLY-SUPERVISED TEXT INSTANCE SEGMENTATION 通过文本转录信息就能实现字符实例分割，看示例效果可以，期待源码开放解析
最新发布
白水空空
09-11 1202
由于分割模块的伪标签来自识别器生成的注意力图，如果识别器对文本实例位置的认识有错误，细化模块将不会产生有效的伪标签，如图 6 所示。此外，正如中间一行所示，一个有趣的观察是，对于像“C”、“O”和“D”这样的文本实例，它们初始注意力的细化有时会被它们自己的空心结构误导（这是不可避免的），并且模型需要长时间的联合训练才能摆脱这种空心陷阱。因此，当识别模块和分割模块进行联合训练时，识别器生成的注意图逐渐学会更接近相应文本实例的形状（如图 7（c）和图 7（d）所示），从而为分割模块提供质量更好的伪标签。
STC系列单片机编程神器：stc-isp-15xx-v6.87B
1. **软件名称**: stc-isp-15xx 表明这款软件是为STC系列单片机提供下载、编程和烧录服务的软件，通常命名为STC-ISP。 2. **版本号**: v6.87B 表明这是软件的一个具体版本，了解版本号有助于我们识别软件的更新周期...
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