.png){kind=icon}
返回
Class activation map guided level sets for weakly supervised semantic segmentation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.patcog.2025.111566.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
弱监督语义分割（WSSS）旨在仅使用图像级类别标签等弱指导信息，实现像素级细粒度图像分割，从而显著降低标注成本。尽管当前最优WSSS方法展现出令人印象深刻的表现，但其缺乏精确的对象定位能力限制了分割精度，尤其是在对象边界附近的像素上。为解决此问题，我们提出了一种基于类激活图（CAM）的水平集方法，通过探索水平集在增强对象边界分割精度方面的能力，有效提升伪标签的质量。为加速水平集演化过程，我们采用傅里叶神经网络算子模拟我们所提出的水平集方法的动态演化。大量实验结果表明，在PASCAL VOC 2012和MS COCO数据集上，我们的方法显著优于现有的WSSS方法。
Keyword:
Weakly supervised semantic segmentation
Class activation map
Pseudo-label
Level set
Fourier neural operator
期刊
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
暂无机构信息
引用论文
A multi-strategy contrastive learning framework for weakly supervised semantic segmentation一种用于弱监督语义分割的多策略对比学习框架.png)
PATTERN RECOGNITION
OAAI
PATTERN RECOGNITIONIF7.6
OAAI分享收藏Distance Regularized Level Set Evolution and Its Application to Image Segmentation距离正则化水平集演化及其在图像分割中的应用
PREAI
分享收藏
查看更多内容