弱监督语义分割（Weakly-Supervised Semantic Segmentation）
语义分割（Semantic Segmentation）
语义分割是指将图像中的每个像素分类为一个实例，其中每个实例都对应于一个类。
这项技术一直是计算机视觉图像领域的主要任务之一。而在实际应用中，由于能准确地定位到物体所在区域并以像素级的精度排除掉背景的影响，一直是精细化识别、图像理解的可靠方式。
而构建语义分割数据集需要对每张图像上的每个像素进行标注，所需要的人力物力让实际业务项目投入产出比极低。（像素级标注）
针对这个问题，仅需图像级标注即可达到接近的分割效果的弱监督语义分割是近年来语义分割相关方向研究的热点。
弱监督语义分割（Weakly-Supervised Semantic Segmentation）
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。
在训练深度分割模型时，可以使用不同级别的监督，从像素级的注释（监督学习）、图像级和边界框注释（半监督学习）到完全无注释的对象（无监督学习），其中最后两个级别的注释属于弱监督[9,38]。训练该架构依赖于大量的像素级标记数据，这是耗时和昂贵的，特别是医学图像中的像素级标签。然而，可以以相对快速和廉价的方式获得大量具有图像级标签的图像。近年来出现了许多弱监督语义分割方法，以减轻了像素级标注的巨大负担，并取得了惊人的性能，甚至接近于监督学习
常见的弱监督语义分割可分为以下四类（：
① 图像级标注：仅标注图像中相关物体所属的类别，是最简单的标注；
② 物体点标注：标注各个物体上某一点，以及相应类别；
③ 物体框标注：标注各个物体所在的矩形框，以及相应类别；
④ 物体划线标注：在各个物体上划一条线，以及相应类别。
WSSS的一般过程如下：首先需要生成像素级伪掩模，然后由弱监督算法生成伪掩模。然后通过一个深度卷积神经网络来训练这些图像。最后，对输出结果和伪掩模进行了反向传播，使损失函数最小化，提高了模型的性能。可见：这些技术依赖于较弱的监督形式，如边界框、点或弯弯曲曲的线、图像级标签等。
其中，图像级标签是最简单的弱标签形式，相对容易获得。训练图像只根据它们所属的类来标记，而不是根据它们在图像中的位置。然而，这也使得使用图像级标签来训练分割网络具有挑战性，因此许多研究者开始考虑建立图像级标签和像素级标签之间的相关性。
在这里说明一下图像级标注的处理：
基于图像级标注的弱监督语义分割大多采用多模块串联的形式进行。
首先，利用图像级标注的图像类别标签，通过单标签或多标签分类的方式，训练出一个分类模型。该分类模型通过计算图像中相应类别的类别特征响应图 CAM[3]来当作分割伪标签的种子区域；接着，使用优化算法（如 CRF[4]、AffinityNet[5]等）优化和扩张种子区域，获得最终的像素级的分割伪标签；最后，使用图像数据集和分割伪标签训练传统的分割算法（如 Deeplab 系列[6]）。
有关CAM的介绍，将会在下一篇博文中介绍，感谢阅读！
弱监督语义分割（Weakly-Supervised Semantic Segmentation）相关推荐
- 弱监督语义分割--Weakly Supervised Semantic Segmentation using Web-Crawled Videos
Weakly Supervised Semantic Segmentation using Web-Crawled Videos CVPR2017 https://arxiv.org/abs/1701 ...
- 【弱监督学习】End-to-end weakly supervised semantic segmentation with reliable region mining
0.前言 这是一篇2022年发表在Pattern Recognition期刊上的一篇有关弱监督语义分割的文章.由于只使用图像级标签来训练语义分割模型扔充满挑战,并且现有弱监督方法都是两阶段的方法,缺少 ...
- Weakly Supervised Semantic Segmentation with Boundary Exploration
Weakly Supervised Semantic Segmentation with Boundary Exploration 摘要 1 Introduction 2 Related Work 3 ...
- 【论文阅读】Online Attention Accumulation for Weakly Supervised Semantic Segmentation
一篇弱监督分割领域的论文,其会议版本为: (ICCV2019)Integral Object Mining via Online Attention Accumulation 论文标题: Online ...
- 【论文阅读】Regional Semantic Contrast and Aggregation for Weakly Supervised Semantic Segmentation
论文标题: Regional Semantic Contrast and Aggregation for Weakly Supervised Semantic Segmentation 作者信息: 代 ...
- 机翻《C-CAM: Causal CAM for Weakly Supervised Semantic Segmentation onMedical Image 》
前言 <C-CAM: Causal CAM for Weakly Supervised Semantic Segmentation onMedical Image>CVPR2022,有源码 ...
- CLIP也是一种有效的分割器:弱监督语义分割的文本驱动方法
CLIP is Also an Efficient Segmenter: A Text-Driven Approach for Weakly Supervised Semantic Segmentat ...
- Non-Salient Region Object Mining for Weakly Supervised Semantic Segmentation
Non-Salient Region Object Mining for Weakly Supervised Semantic Segmentation 摘要 1. Introduction 2. R ...
- 阅读笔记：Self-supervised Equivariant Attention Mechanism for Weakly Supervised Semantic Segmentation
Self-supervised Equivariant Attention Mechanism for Weakly Supervised Semantic Segmentation 基于等变注意力机 ...
最新文章
- python下载文件到本地-python从下载链接下载文件到本地
- Oracle忘记用户名和密码的解决方案
- VHDL/Verilog编译错误总结
- asp.net c# 打开新页面或页面跳转
- OCS2007R2部署之二准备AD及扩展
- Android零基础入门第83节：Activity间数据传递方法汇总
- JeecgBoot单体升级微服务之一
- UE3 预计算可见性
- C# ComboBox自动完成功能的例子
- asp.net AJAX 验证用户名是否存在 -Jquery
- osgb转3dtiles 原理_自动控制原理实验箱无法通行故障维修
- 车牌号识别系统（carOR）
- 0x0000011b共享打印机无法连接的解决办法
- 为什么我们需要更注重源代码安全？
- 【自学Python：Day2】磨洋工的我一周一课……
- 杂谈（20210405）
- js如何获取中午12点的时间
- windows编译 zlib
- 名帖78 苏轼 小楷《金刚经》
- 用PayPal在eBay上撸货加哪种卡可以长期用？