EXITS:基于极值点低标注成本弱监督实例分割 | CVPR 2024 - 晓飞的算法工程笔记
原文中文,约8900字,阅读约需21分钟。发表于: 。EXITS将极值点视为真实实例掩模的一部分并将它们传播以识别潜在前景和背景点,所有这些都用于训练伪标签生成器,然后由生成器给出的伪标签反过来用于最终模型的监督学习。 来源:晓飞的算法工程笔记 公众号 论文: Extreme Point Supervised Instance Segmentation
这篇文章介绍了一种使用极值点进行弱监督学习的实例分割方法,称为EXITS。该方法将极值点视为真实实例掩模的一部分,并利用它们作为训练伪标签生成器的监督。生成器产生的伪分割标签反过来用于最终模型的监督学习。实验结果表明,EXITS在分离的物体上表现出色,并在三个公共基准数据集上优于先前的方法。