文章目录

  • segmentation paper
    • 1. Anti-aliasing Semantic Reconstruction for Few-Shot Semantic Segmentation
    • 2. Semantic Segmentation with Generative Models: Semi-Supervised Learning and Strong Out-of-Domain Generalization
    • 3. Railroad is not a Train: Saliency as Pseudo-pixel Supervision for Weakly Supervised Semantic Segmentation
    • 4. HyperSeg: Patch-wise Hypernetwork for Real-time Semantic Segmentation
    • 5. Self-supervised Augmentation Consistency for Adapting Semantic Segmentation
    • 6. Learning Calibrated Medical Image Segmentation via Multi-rater Agreement Modeling
  • Domain Adaptive Semantic Segmentation
    • 1.Prototypical Pseudo Label Denoising and Target Structure Learning for Domain Adaptive Semantic Segmentation
    • 2.DSP: Dual Soft-Paste for Unsupervised Domain Adaptive Semantic Segmentation
    • 3.DACS: Domain Adaptation via Cross-domain Mixed Sampling
    • 4.Domain Adaptive Semantic Segmentation with Self-Supervised Depth Estimation
    • 5. Dual Path Learning for Domain Adaptation of Semantic Segmentation
    • 6.PixMatch: Unsupervised Domain Adaptation via Pixelwise Consistency Training
    • 7.SegFormer: Simple and Efficient Design for Semantic Segmentation with Transformers

segmentation paper

1. Anti-aliasing Semantic Reconstruction for Few-Shot Semantic Segmentation

  • 将小样本分割重新表述为语义重建的问题
  • 提出了anti-aliasing semantic reconstruction (ASR)
  • 将基类特征转成基向量，张成一个语义空间，即semantic span
  • 在训练期间，ASR利用语义空间，最大化基向量的正交性，最小化基类semantic aliasing ，帮助reconstruct新类
  • 在推理期间，ASR利用semantic filtering 抑制语义干扰，精确激活目标物体区域
  • 作者 | Binghao Liu, Yao Ding, Jianbin Jiao, Xiangyang Ji, Qixiang Ye
  • 单位 | 国科大；清华
  • 论文 | https://link.zhihu.com/?target=https%3A//arxiv.org/abs/2106.00184
  • 代码 | https://link.zhihu.com/?target=https%3A//github.com/Bibkiller/ASR

2. Semantic Segmentation with Generative Models: Semi-Supervised Learning and Strong Out-of-Domain Generalization

  • 提出一个完全生成性方法进行语义分割，基于SyleGAN2，允许半监督训练，并且展示了强大的泛化性
  • 作者 | Daiqing Li, Junlin Yang, Karsten Kreis, Antonio Torralba, Sanja Fidler
  • 单位 | 英伟达；多伦多大学；耶鲁大学；麻省理工学院；Vector Institute
  • 论文 | https://link.zhihu.com/?target=https%3A//arxiv.org/abs/2104.05833
  • 主页 | https://link.zhihu.com/?target=https%3A//nv-tlabs.github.io/semanticGAN/

3. Railroad is not a Train: Saliency as Pseudo-pixel Supervision for Weakly Supervised Semantic Segmentation

  • 弱监督
  • 作者 | Seungho Lee, Minhyun Lee, Jongwuk Lee, Hyunjung Shim
  • 单位 | 延世大学；成均馆大学
  • 论文 | https://link.zhihu.com/?target=https%3A//arxiv.org/abs/2105.08965
  • 代码 | https://link.zhihu.com/?target=https%3A//github.com/halbielee/EPS

4. HyperSeg: Patch-wise Hypernetwork for Real-time Semantic Segmentation

  • 实时
  • 作者 | Yuval Nirkin, Lior Wolf, Tal Hassner
  • 单位 | Facebook；巴-伊兰大学；以色列特拉维夫大学
  • 论文 | https://link.zhihu.com/?target=https%3A//arxiv.org/abs/2012.11582
  • 代码 | https://link.zhihu.com/?target=https%3A//github.com/YuvalNirkin/hyperseg

5. Self-supervised Augmentation Consistency for Adapting Semantic Segmentation

  • 本次工作提出一种既实用又高度准确的语义分割域适应方法。与以前的工作相比，放弃了使用涉及计算的对抗性目标、网络集成和风格迁移。而是采用标准的数据增强技术：光度噪声、翻转和缩放，并确保语义预测在这些图像转换中的一致性。通过简单的增强技术和 momentum 更新，显著提高了最先进的分割精度。
  • 作者 | Nikita Araslanov, Stefan Roth
  • 单位 | 达姆施塔特工业大学；hessian.AI
  • 论文 | https://link.zhihu.com/?target=https%3A//arxiv.org/abs/2105.00097
  • 代码 | https://link.zhihu.com/?target=https%3A//github.com/visinf/da-sac

6. Learning Calibrated Medical Image Segmentation via Multi-rater Agreement Modeling

  • 在医学图像分析中，典型的做法是收集多个标注，每个标注都来自不同的临床专家或评分者，减少可能出现的诊断误差。同时，从计算机视觉从业者的角度来看，通常的做法是采用通过多数票或简单地从首选评分者那里获得的基础ground-truth 标签。但这一过程往往忽略了原始的多评判员标注中所蕴含丰富的一致或分歧信息。
  • 针对此，提出一个新的模型，MRNet。首先，设计一个expertiseaware inferring 模块或 EIM，将各个评分者的专业水平作为先验知识嵌入其中，以形成高层次的语义特征。其次，该方法能够从粗略的预测中重建多评判者的等级，并进一步利用多评判者（不）一致的线索来提高分割的性能。
  • 作者称这是首个在不同专业水平下为医学图像分割产生校准预测的工作。并在不同成像模式的五个医学分割任务中进行了广泛的经验性实验。结果表明，MRNet 与最先进的技术相比，性能卓越，也验证了 MRNet 在广泛的医学分割任务中的有效性和适用性。
  • 作者 | Wei Ji、Shuang Yu、Junde Wu、Kai Ma、Cheng Bian、 Qi Bi、Jingjing Li、Hanruo Liu、Li Cheng、 Yefeng Zheng
  • 单位 | 腾讯天衍实验室；阿尔伯塔大学；首都医科大学
  • 论文 | https://link.zhihu.com/?target=https%3A//openaccess.thecvf.com/content/CVPR2021/papers/Ji_Learning_Calibrated_Medical_Image_Segmentation_via_Multi-Rater_Agreement_Modeling_CVPR_2021_paper.pdf
  • 代码 | https://link.zhihu.com/?target=https%3A//github.com/jiwei0921/MRNet/

Domain Adaptive Semantic Segmentation

1.Prototypical Pseudo Label Denoising and Target Structure Learning for Domain Adaptive Semantic Segmentation

  • 固定prototypical 特征，通过距离计算伪标签，在线训练更新权重；
  • 同时根据同一个目标的两个不同的视图相对于原型对齐距离，来产生紧凑的特征空间
  • Synthetic-to-Real Translation on GTAV-to-Cityscapes Labels数据集上排名第二2021-11-17
  • 作者 | Pan Zhang *, Bo Zhang, Ting Zhang, Dong Chen, Yong Wang, Fang Wen
  • 单位 | University of Science and Technology of China, Microsoft Research Asia
  • 论文 | https://arxiv.org/abs/2101.10979
  • 代码 | https://github.com/microsoft/ProDA

2.DSP: Dual Soft-Paste for Unsupervised Domain Adaptive Semantic Segmentation

  • 提出了一种新颖的双软粘贴 (DSP)创建具有较小域的新中间域的方法差距。 基于平均教师框架，进行DSP诱导的输出级对齐和特征级对齐，其中有助于学习域不变特征。
  • 此外，长尾类DSP 中使用的第一个采样策略显示了它在解决类不平衡问题方面的有效性。
  • Synthetic-to-Real Translation on GTAV-to-Cityscapes Labels数据集上排名第二2021-11-17
  • 作者 | Li Gao, Jing Zhang, Lefei Zhang, and Dacheng Tao
  • 单位 | Wuhan University, The University of Sydney, JD Explore Academy
  • 论文 | https://arxiv.org/pdf/2107.09600v3.pdf
  • 代码 | https://github.com/GaoLii/DSP

3.DACS: Domain Adaptation via Cross-domain Mixed Sampling

  • 提出了一种用于语义分割无监督自适应的新算法，跨域混合的域自适应，用于解决朴素混合强制一致性造成的混淆问题。进一步提升了域适应的表现。
  • 作者 | Wilhelm Tranheden1,2*, Viktor Olsson1,2*, Juliano Pinto1, Lennart Svensson1
  • 单位 | 1Chalmers University of Technology, Gothenburg, Sweden 2Volvo Cars, Gothenburg, Sweden
  • 论文 | https://arxiv.org/abs/2007.08702
  • 代码 | https://github.com/vikolss/DACS

4.Domain Adaptive Semantic Segmentation with Self-Supervised Depth Estimation

  • ICCV21，用辅助任务深度估计弥合领域差异，提出的自监督学习目标域的深度，自注意力显示学习语义和深度的关系，将源域知识共享到目标域，最后整合到一个现有的自训练框架DACS
  • 作者 | Qin Wang1 Dengxin Dai1,2*Lukas Hoyer1 Luc Van Gool1,3 Olga Fink
  • 单位 | 1ETH Zurich, Switzerland 2MPI for Informatics, Germany 3KU Lueven, Belgium
  • 论文 | http://arxiv.org/abs/2104.13613
  • 代码 | https://qin.ee/corda

5. Dual Path Learning for Domain Adaptation of Semantic Segmentation

  • DPL包含两个分别互补和交互的源域、目标域适应管道。DPL的推理非常简单，只采用目标域中的一种分割模型。新技术：提出的双路图像迁移、双路适应分割，使两条路径以一种交互的方式提出对方。
  • 作者 | Yiting Cheng1 Fangyun Wei2 Jianmin Bao2 Dong Chen2 Fang Wen2 Wenqiang Zhang1
  • 单位 | 1Fudan University 2Microsoft Research Asia
  • 论文 | https://arxiv.org/pdf/2108.06337.pdf
  • 代码 | https://github.com/royee182/DPL

6.PixMatch: Unsupervised Domain Adaptation via Pixelwise Consistency Training

  • 我们引入一种一致性损失项，模型预测目标图像和预测相同带扰动的图片之间的差距，并且研究比较了四种不同扰动的影响：强数据增强、风格迁移、CutMix、傅里叶变换，相比下对于流行的对抗性适应方法，我们的方法更简单、更容易实现、内存效率更高在训练中
  • 作者 | Luke Melas-Kyriazi, Arjun K. Manrai
  • 单位 | Harvard University…
  • 论文 | https://arxiv.org/abs/2105.08128
  • 代码 | https://github.com/lukemelas/pixmatch

7.SegFormer: Simple and Efficient Design for Semantic Segmentation with Transformers

  • Transformers与轻量级多层感知器（MLP）统一起来；1. 分层结构的transformers编码器，并且不需要位置编码:MixFFN；2.避免使用复杂的解码器，MLP聚合了不同层的信息
  • 网络更小，效果也佳
  • 作者 | Enze Xie1, Wenhai Wang2, Zhiding Yu3, Anima Anandkumar3,4, Jose M. Alvarez3, Ping Luo1
  • 单位 | The University of Hong Kong 2Nanjing University 3NVIDIA 4Caltech
  • 论文 | https://arxiv.org/abs/2105.15203
  • 代码 | https://github.com/NVlabs/SegFormer

语义分割、域适应相关论文相关推荐

  1. DL之SegNet：SegNet图像分割/语义分割算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略

    DL之SegNet:SegNet图像分割/语义分割算法的简介(论文介绍).架构详解.案例应用等配图集合之详细攻略 导读 基于CNN的神经网络SegNet算法可进行高精度地识别行驶环境. 目录 SegN ...

  2. ETH Zurich提出新型网络「ROAD-Net」，解决语义分割域适配问题

    问题背景 本文研究的是无人驾驶场景中的语义分割问题.语义分割的样本标记成本很高,使用合成数据能帮助解决样本不足问题.但是合成的数据和真实的数据之间存在差异,这种差异会极大影响使用合成数据训练的模型在真 ...

  3. 【图像语义分割】主题必读论文合集推荐丨跨图像语义挖掘、分层图像压缩等

    语义分割(Semantic Segmentation)是在像素级别上的分类,属于同一类的像素都要被归为一类,因此语义分割是从像素级别来理解图像的.注意语义分割不同于实例分割,举例来说,如果一张照片中有 ...

  4. 毕业设计 U-Net遥感图像语义分割（源码+论文）

    文章目录 0 项目说明 1 研究目的 2 研究方法 3 研究结论 4 论文目录 5 项目源码 6 最后 0 项目说明 **基于 U-Net 网络的遥感图像语义分割 ** 提示:适合用于课程设计或毕业设 ...

  5. 语义分割算法Mask RCNN论文解读

    论文名称:Mask R-CNN 论文地址:https://arxiv.org/abs/1703.06870 代码地址:https://github.com/matterport/Mask_RCNN s ...

  6. 腾讯优图10篇AAAI论文解析，涉及数学速算批改、视频识别和语义分割 | 附下载...

    点击上方↑↑↑"视学算法"关注我 来源:公众号 量子位 授权转 AI顶会AAAI开幕在即,入选论文悉数披露. 今日介绍10篇论文,来自腾讯旗下视觉研发平台腾讯优图,涉及数学速算批改 ...

  7. CVPR 2020 论文大盘点-语义分割篇

    图像分割应用广泛,在CVPR 2020 论文中所占比例很高,可说是一大热门,有110多篇相关论文,本文盘点CVPR 2020 所有语义分割(Semantic Segmentation)相关论文(文末有 ...

  8. ECCV 2020 语义分割论文大盘点（38篇论文）

    作者:CV Daily | 编辑:Amusi Date:2020-09-25 来源:计算机视觉Daily微信公众号(系投稿) 原文:ECCV 2020 语义分割论文大盘点(38篇论文) 前言 距离EC ...

  9. 2022年的有关语义分割的论文，含CVPR、ECCV、ICLR、AAAI

    TransRAC: Encoding Multi-scale Temporal Correlation with Transformers for Repetitive Action Counting ...

  10. 【深度学习】语义分割：论文阅读（NeurIPS 2021）MaskFormer: per-pixel classification is not all you need

    目录 详情 知识补充 语义分割 实例分割 基本流程 主要技术路线 自上而下的实例分割方法 自下而上的实例分割方法 掩膜 Mask 什么是mask掩码? mask掩码有什么用? mask classif ...

最新文章

  1. vscode创建工作区_区领导调研工业区高楼村乡村振兴示范村创建工作！
  2. 【Flutter】Flutter 混合开发 ( Dart 代码调试 | Flutter 单独调试 | 混合模式下 Flutter 调试 )
  3. JZOJ 5236. 【NOIP2017模拟8.7A组】利普希茨
  4. 关于OpenMesh在Vs2008下编译与安装
  5. 这10道Java面试题！大部分的人回答不出来
  6. python antlr4需要的python 版本_python多版本管理器pyenv
  7. 数学--数论--HDU1222 狼和兔子（最大公约数）
  8. oracle技术之顺序文件上的索引（一）
  9. php_curl.dll libssh2.dll 始终无法加载的原因 及解决办法
  10. 三大公有云托管 Kubernetes 服务 (EKS、GKE、AKS) 评估
  11. Python 机器学习 随机森林 天气最高温度预测任务（三）
  12. 微软：macOS 漏洞可用于绕过TCC技术，访问用户敏感数据
  13. js 随机数_JS常用方法和一些封装：随机数生成
  14. Unity-人物移动
  15. VEH +硬件断点 HOOK
  16. d3dx9_42.dll缺少
  17. vagrant下载速度慢的解决方法
  18. 艾司博讯：拼多多判断正品的标准是什么
  19. 关于光速不变与相对论的理解
  20. 从0开始搭建一个疫情地图小程序——小程序篇

热门文章

  1. 蓝桥杯day7——DFSBFS
  2. 谁动了你的 MSN？—— MSN 帐号被盗原因的分析和解决办法，鄙视msnlivesn.com
  3. 网站外链如何才能被搜索引擎快速收录呢？
  4. Direct3D 11 Devices 之 Using Direct3D 11 feature data to supplement Direct3D feature levels
  5. java控制台五子棋工程_java控制台实现五子棋小游戏
  6. Navicat设置mysql时间字段自动获取当前时间
  7. 如何在 Python 绘图中正常显示中文？（视频教程）
  8. 10 个常见的压力面试问题
  9. 热风销售不合格凉鞋、外套遭处罚，服装商家经营需诚信
  10. echarts离线地图