Seed, Expand and Constrain: Three Principles for Weakly-Supervised Image Segmentation(2016 ECCV)
文章目录
- Seed, Expand and Constrain: Three Principles for Weakly-Supervised Image Segmentation(2016 ECCV)
- 1. contribution
- 2. 网络结构
- 3. seed的部分
- 4. expansion部分
- 5.Constrain-to-boundary部分
- 6. test time
- 7.global weighted rank pooling对比试验
Seed, Expand and Constrain: Three Principles for Weakly-Supervised Image Segmentation(2016 ECCV)
- Seed: to seed with weak localization cues.
- Expand: to expand objects based on the information about which classes can occur in an image.
- Constrain: to constrain the segmentations to coincide(相符合) with object boundaries.
1. contribution
作者利用 VGG等分类网络产生 reliable object localization cues (seeds),但是这是很粗略的定位。然后利用了seeding loss,使segmentation network 去匹配localization cues(Note:没有像素级标签)
作者提出了global weighted rank pooling,使用了expansion loss去扩充object seeds 到regions of a reasonable size。
作者提出了constrain-to-boundary loss去捕获更精准的边缘,它力求约束预测输出的predicted segmentation mask去respect low-level的图像信息,尤其是物体边界。
2. 网络结构
灰色的箭头表示back propagation,weak localization 不需要back propagation。接下来逐步讲解。
3. seed的部分
图像级标签不显式地提供关于图像中语义对象位置的任何信息。作者建议使用seed loss来鼓励神经网络的预测只匹配弱定位过程给出的“landmarks”,而忽略图像的其余部分。
网络就是分类网络,显而易见。seed loss的定义如下
ScS_cSc是第c类的weak localization sets,如fig 2中的中间。fu,c(x)f_{u,c}(x)fu,c(x)表示输入一张图像X,在u点处的pixel是class c的概率。T就是class 的set。
4. expansion部分
为了衡量一个segmentation mask是否与图像级标签一致,可以将segmentation score聚合成分类分数(注意分割出来的mask是一张图,分类出来的是一张图一个score),并应用标准损失函数对多标签图像进行分类。最主流的是global max-poling(GMP),和global average pooling(GAP),如下两个公式。
对于在image GMP后出现的类,只鼓励单个位置的响应为高,而GAP则鼓励所有响应为高。GAP导致一个分割网络往往低估了对象的大小,相反GMP往往高估他们。(统计角度)
为了克服这些缺点,我们提出global weighted rank pooling (GWRP),GWRP计算每个类的加权平均分数,其中权重较高的是更有前途的位置。通过这种方式,它鼓励对象占据图像的某个部分,但与GAP不同的是,它不太容易高估对象的大小。
dcd_cdc是一个 decay parameter for class c。Gc(f(X),dc)G_c(f(X), d_c)Gc(f(X),dc)是分类的score。
最后expand loss被定义为
作者说,分类的class太多了,所以他凝练成了三类。d+ d- dbgd_{bg}dbg的定义如下:
让出现的接近1,没出现的接近零,背景也是0.
5.Constrain-to-boundary部分
边界约束损失的高级思想是惩罚神经网络产生与输入图像中的空间和颜色信息相关的不连续的分割。因此,它鼓励网络学习生成匹配对象边界的分割掩码。(疑问:为什么将原图dcrf之后的图与segmentation mask算kl散度?)
6. test time
我们的分割神经网络被训练为生成所有类和位置的概率分数,但是预测的分割掩模的空间分辨率低于原始图像。因此,我们升级了预测的分割掩码,以匹配输入图像的大小,然后应用一个全连接的CRF来细化分割。
7.global weighted rank pooling对比试验
Seed, Expand and Constrain: Three Principles for Weakly-Supervised Image Segmentation(2016 ECCV)相关推荐
- Seed, Expand and Constrain: Three Principles for Weakly-Supervised Image Segmentation 论文笔记
论文:https://arxiv.org/abs/1603.06098 一.背景介绍 弱监督的图像分割(Weakly-Supervised Image Segmentation): 只有对于图像的类别 ...
- 【eccv2016-论文笔记】《Seed, Expand and Constrain: ... Weakly-Supervised Image Segmentation》
目录 文章概述 符号解读 核心思路 Seeding loss with localization cues Expansion loss with global weighted rank pooli ...
- Weakly Supervised Instance Segmentation using Class Peak Response
据说是第一篇关于图像级实例分割的文章... 看了很多关于这篇文章的博客和知乎,总觉得他们没有写清楚最关键的几个问题:例如,怎么从局部极大值点中筛选出峰值?怎么从MCG等传统图像处理方法获得的图像边缘中 ...
- Weakly Supervised Semantic Segmentation list
Weakly Supervised Semantic Segmentation list 文章转自Github:https://github.com/JackieZhangdx/WeakSupervi ...
- 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 ...
- Weakly Supervised Semantic Segmentation with Boundary Exploration
Weakly Supervised Semantic Segmentation with Boundary Exploration 摘要 1 Introduction 2 Related Work 3 ...
- weakly supervised semantic segmentation
Weakly Supervised Semantic Segmentation by Pixel-to-Prototype Contrast CVPR2022 北京大学 Though image-le ...
- Weakly Supervised Instance Segmentation using the Bounding Box Tightness Prior 论文笔记
Weakly Supervised Instance Segmentation using the Bounding Box Tightness Prior 论文笔记 一.摘要 二.引言 三.相关工作 ...
- 【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 ...
最新文章
- linux拓实n87驱动下载,拓实n87网卡驱动for xp/win7官方版
- 一个代理商×××条件
- 关于java的一个典型的动态代理
- 数字类型及常用的数学函数(Python)
- java redis 存session_JavaWeb: Redis存储Session方案
- Android之MVVM框架 - 数据绑定
- linux操作系统基本配置
- shader 获取法线_Unity Shader 入门到改行5——法线贴图
- SpringMVC 日期类型转换
- 谷歌再现大规模宕机!
- 数据结构-图-Java实现:有向图 图存储(邻接矩阵),最小生成树,广度深度遍历,图的连通性,最短路径1...
- chrome控制台使用jquery
- java知识总结-13
- jersery集成jackson实现restful api,由于jdk版本不一致导致的坑
- SparkSQL简单教程
- 汽车之家爬虫(autohome)
- w ndows10图标,Win10桌面图标没了怎么办?Win10桌面快捷方式消失了解决方法
- matlab计算器设计流程图_matlab计算器设计
- 网络故障排查简单思路(思路见目录)
- FILCO连接WIN10出现PIN问题