本研究提出Finer-CAM方法,旨在解决现有类激活图在区分相似细粒度类别时的不足。Finer-CAM通过比较目标类与相似类的差异,有效抑制共享特征,突出目标类的独特细节。研究表明,Finer-CAM在mask顶端激活像素时,相对置信度显著降低,展示了其在视觉解释中的潜力。
该研究提出了一种基于差异的主动学习方法,有效缩小类激活图与真实结果之间的差距。在WCE数据集评估中,该方法在仅标记10%训练数据的情况下,性能优于现有主动学习方法。此外,研究开发了基于视频胶囊内窥镜图像的出血区域分割策略,减少了对大量标注数据的依赖。
该文汇总了弱监督语义分割及相关研究:提出基于图像分类网络与CAM的方法以提升区域相似性和轮廓质量;利用图卷积网络将伪标签生成作为半监督学习;提出跨视图特征一致性框架CVFC;ReCAM通过交叉熵生成高质量掩膜;像素级原型对比方法提升基线精度。此外还涉及小样本学习中的MHFC与TEEN校准策略、图像检索的局部感知编码,以及面向领域偏差目标检测的SCFAM对齐模型。
该文综述弱监督语义分割研究进展,提出CLIP跨语言图像匹配框架CLIMS,利用自然语言监督激活物体区域并抑制背景,并采用无标签图像的类无关激活图对比学习;同时提出Puzzle-CAM、AMR、像素级原型对比、COMNet、Transformer一致性正则化、ReCAM及互补补丁网络CPN等方法,多在PASCAL VOC 2012上超越先前最优。
完成下面两步后,将自动完成登录并继续当前操作。