这是未曾探索的,目前只有极少工作进行相关研究,如2022CVPR的工作TWIST: Two-Way Inter-Label Self-Training for Semi-Supervised 3D Instance Segmentation,全景分割更是暂时没找到。希望后续能够基于传统的半监督语义分割经验,朝新领域发展。 Expressions excessively 过渡地 deem 认为、视为,相信 elaborate 详细阐述 ...
论文链接:Semi-supervised Semantic Segmentation with Prototype-based Consistency Regularization 代码链接:github.com/HeimingX/sem NeurIPS 2022的工作。斜体是我的补充。 Introduction 动机:半监督语义分割任务的一个挑战是大的类内变化,即属于同一类的区域即使在相同的图像中也可能表现出非常不同的外观(low-level)。
3.1 Why semi-supervised semantic segmentation is challenging我们将语义分割视为滑动窗口patch分类,目标是识别patch中心像素的类别。鉴于之前的工作[19,25,34]对原始像素(输入)空间应用了扰动,我们对数据分布的分析集中在图像小块的原始像素内容,而不是来自网络内部的更高层次的特征。
1.题目:Semi-supervised Segmentation of Optic Cup in Retinal Fundus Images Using Variational Autoencoder(使用VAE对视网膜光学杯进行半监督分割) 2.Paper来源:MICCAI 2017;作者,IBM实验室。 3.背景:这篇文章是对视杯进行分割,对于青光眼等疾病中,杯盘比(C/D)是指视乳头直径与其中的小凹的直径之比。它客观的...
Semi-supervised Semantic Segmentation with Directional Context-aware Consistency 收录于CVPR2021原文 Motivation 一致性在半监督语义分割中发挥了重大作用,一般意义上的一致性是通过约束弱数据增强方式(高斯模糊,色彩变化,翻转,旋转)的分割结果相同实现的,但是这种低层面的一致性约束是考虑了像素级别的一致性,而忽略了语义...
We present a novel semi-supervised video segmentation algorithm which delivers pixel labels along with their uncertainty estimates. The underlying probabilistic model is a temporal tree-structured Markov Random Field . Our algorithm takes as input user labeled key frame(s) of a video sequence. We ...
Superpoint-guided Semi-supervised Semantic Segmentation of 3D Point Clouds 超点指导下的三维点云的半监督式语义分割 摘要 三维点云语义分割是计算机视觉领域的一个挑战性课题。文献中的大多数方法都需要大量的完全标记的训练数据,但通过手动标记大量的点云来获得这些训练数据是非常耗时的。为了解决这个问题,我们提出了...
在分割任务中,数据增强十分重要,特别是医学图像领域,可获得的数据是有限的,变异性很高,并且平移等效性是可取的。传统的增强方法如仿射变换等,和像素级加性噪声相反,改变了输入数据的空间内容,例如,也可以在标签上应用完全相同的参数,以在空间上对齐输入和地面实况,两者都受像素损失的影响。这个房啊,在mean teacher训...
Semi-supervised point cloud segmentation using self-training with label confidence prediction Li等人(2021b) 基于伪标签置信度预测的半监督分割方法,额外设计判别网络(discriminator network),该网络目标是区分预测结果和真实标注,并对无标注点云的预测结果输出置信度预测,对判别网络的训练更好地促进了整个网络对无标注...
Since detailed pixel-wise annotations are very time-consuming, we need semi-supervised segmentation methods that can learn from unlabeled images. Existing semi-supervised methods are often prone to topological errors, e.g., missing or incorrectly merged/separated glands or nuclei. To address this ...