论文笔记--STC: A Simple to Complex Framework for Weakly-supervised Semantic Segmentation
2015-11-23 16:37
435 查看
----------------------
论文是作为组内论文报告为大家讲述的,现在将一些重要思想摘录如下。
----------------------
论文是9月份NUS的发表在arXiv上的,论文模板是TPAMI的模板,貌似是要投TPAMI的短文么?
言归正传,现在还是说论文吧。
论文题目是STC,即Simple to Complex的一个框架,使用弱标签(image label)来解决密集估计(语义分割)问题。整体来看,理论创新倒是不怎么强,但是在Pipeline的道路上倒是有些新意。
2014年末以来,半监督的语义分割层出不穷,究其原因还是因为pixel级别的GroundTruth太难标注,因此若监督成了人们研究的一个热门方向。
作者的核心思想是提出了层层递进的三个DCNN,用前一个CNN的结果来作为下一个CNN的结果。
具体来讲,作者一共训练了三个网络:Initial DCNN、Enhanced DCNN和Powerful DCNN。分别解释如下:
Initial DCNN:
其实可以把它当作是一个有显著性检测功能的CNN,但“它”能够知道显著性的物体是什么。
具体实现是由DRIF方法生成Saliency Map,再结合Image level label,来训练网络。
Enhanced DCNN:
这一层主要是用来refine每一个物体的分割模版。由于I-DCNN在训练过程中,使用DRIF会有很大噪声,因此这时候就需要我们的“弱标签”出场了。
说白了,这个DCNN就是对上一个的一个refine。
Powerful DCNN:
有了上述简单图像的分割之后,我们需要对复杂的多目标的图像进行分割了,这时候,以E DCNN生成的结果作为P DCNN的GroundTruth来训练P DCNN。
这样,我们就得到了最终的网络:P DCNN。附流程图如下:
一些细节注意的地方:
文章中的Simple Images是来自于自建的Flickr Clean数据集。Complex Images是来自于Pascal VOC的train_aug.
参考文献:Wei Y, Liang X, Chen Y, et al. STC: A Simple to Complex Framework for Weakly-supervised Semantic Segmentation[J]. arXiv preprint arXiv:1509.03150,
2015.
论文是作为组内论文报告为大家讲述的,现在将一些重要思想摘录如下。
----------------------
论文是9月份NUS的发表在arXiv上的,论文模板是TPAMI的模板,貌似是要投TPAMI的短文么?
言归正传,现在还是说论文吧。
论文题目是STC,即Simple to Complex的一个框架,使用弱标签(image label)来解决密集估计(语义分割)问题。整体来看,理论创新倒是不怎么强,但是在Pipeline的道路上倒是有些新意。
2014年末以来,半监督的语义分割层出不穷,究其原因还是因为pixel级别的GroundTruth太难标注,因此若监督成了人们研究的一个热门方向。
作者的核心思想是提出了层层递进的三个DCNN,用前一个CNN的结果来作为下一个CNN的结果。
具体来讲,作者一共训练了三个网络:Initial DCNN、Enhanced DCNN和Powerful DCNN。分别解释如下:
Initial DCNN:
其实可以把它当作是一个有显著性检测功能的CNN,但“它”能够知道显著性的物体是什么。
具体实现是由DRIF方法生成Saliency Map,再结合Image level label,来训练网络。
Enhanced DCNN:
这一层主要是用来refine每一个物体的分割模版。由于I-DCNN在训练过程中,使用DRIF会有很大噪声,因此这时候就需要我们的“弱标签”出场了。
说白了,这个DCNN就是对上一个的一个refine。
Powerful DCNN:
有了上述简单图像的分割之后,我们需要对复杂的多目标的图像进行分割了,这时候,以E DCNN生成的结果作为P DCNN的GroundTruth来训练P DCNN。
这样,我们就得到了最终的网络:P DCNN。附流程图如下:
一些细节注意的地方:
文章中的Simple Images是来自于自建的Flickr Clean数据集。Complex Images是来自于Pascal VOC的train_aug.
参考文献:Wei Y, Liang X, Chen Y, et al. STC: A Simple to Complex Framework for Weakly-supervised Semantic Segmentation[J]. arXiv preprint arXiv:1509.03150,
2015.
相关文章推荐
- 第12周项目4利用遍历思想求解图问题2
- iOS项目开发实战(Swift)—初探UITabbarController和UINavigationController的集成
- quartz 暂停后重新启动,在暂停时 被暂停后的任务,在启动后会补偿执行即 会连续多次调用job中的execute方法。
- 第十一周项目2用二叉树求解代数表达式
- ubuntu12.04 lts 安装gcc 4.8
- 办公软件的应用
- 【数据挖掘】关联挖掘算法+信息增益等相关概念
- 浅析:Pulltorefresh使用中碰到的问题
- PHP路由技术的原理与实践
- 1069. The Black Hole of Numbers
- 数组2
- nginx js、css多个请求合并为一个请求(concat模块)
- 13周-(3)Dijkstra算法的验证
- 第十周 项目3-3
- 第十三周——【项目 - 验证算法】
- 项目5-- 迷宫问题之图深度优先遍历解法
- 第十二周 - 项目3 - 图遍历算法实现
- 项目3--求集合并集
- 第十三周项目1—最小生成树的Prim算法
- Oracle数据库之group by:按自定规则分组