摘要：在本文中，我們提出了一種新的基於交叉一致性的語義分割半監督方法。一致性訓練已被證明是一種強大的半監督學習框架，用於在集群假設下利用未標記的數據，其中決策邊界應位於低密度區域。在這項工作中，我們首先觀察到，對於語義分割，隱藏表示中的低密度區域比輸入中的低密度區域更明顯。因此，我們提出了交叉一致性訓練，其中在應用於編碼器輸出的不同擾動上強制執行預測的不變性。具體來說，共享編碼器和主解碼器使用可用 ...
2021-12-13 11:07 0 146 推薦指數：
CVPR2021 原文 半監督語義分割方法的總結： 主要思想： Consistency regularization ：希望不同擾動之下網絡的輸出結果一致，擾動的加入的位置：（1）在輸入圖片上加擾動（2）在某一層的輸出特征上添加擾動 創新點： 鼓勵兩個初始化不同（不同擾動）的網絡 ...
論文閱讀： A Three-Stage Self-Training Framework for Semi-Supervised Semantic Segmentation 作者說明 版權聲明：本文為博主原創文章，轉載請附上原文出處鏈接和本聲明。 本文鏈接：https ...
這篇文章的主要貢獻點在於： 1.實驗證明僅僅利用圖像整體的弱標簽很難訓練出很好的分割模型； 2.可以利用bounding box來進行訓練，並且得到了較好的結果，這樣可以代替用pixel-leve ...
2019 CVPR的文章，使用時序卷積和半監督訓練的3D人體姿態估計 論文鏈接：https://arxiv.org/abs/1811.11742 github：https://github.com/facebookresearch/VideoPose3D 已經有前輩對這篇文章做過理解 ...
論文簡介： 以image-level作為標簽的弱監督語義分割往往面臨目標區域估計不完整的問題。為了緩解這個問題，本文提出了一種對跨圖像間關系進行建模的方法。 該方法在同類別不同圖像之間建立像素級的關系矩陣，並據此從不同的圖像間取得互相補充的信息，用以增廣原特征並獲取更加完整和魯棒的目標估計 ...
GCN的定義 下面內容參考kipf博客，個人認為是告訴你從直覺上，我們怎么得到GCN圖上的定義（而前面的大幅推導是從理論上一步一步來的，也就是說可以用來佐證我們的直覺） 我們的網絡輸入是\(\ma ...
背景簡介 GCN的提出是為了處理非結構化數據（相對於image像素點而言）。CNN處理規則矩形的網格像素點已經十分成熟，其最大的特點就是利用卷積進行①參數共享②局部連接，如下圖： 那么類比 ...
Virtual Adversarial Training: a Regularization Method for Supervised and Semi-supervised Learning 簡介 本文是17年半監督學習的一篇文章，受對抗訓練的啟發，將對抗訓練的范式用於提升半監督學習 ...
