.png){kind=icon}
返回
Segment Concealed Objects With Incomplete Supervision
.png){kind=icon}
PRE
AI
DOI：10.1109/TPAMI.2025.3576209.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
不完全监督隐藏物体分割（ISCOS）涉及对无缝融入周围环境的物体进行分割，利用不完全标注的数据（如弱标注和半标注）进行模型训练。该任务因以下两个原因而极具挑战性：（1）不完全标注的训练数据提供的监督有限；（2）隐藏场景中固有的相似性导致难以区分隐藏物体与背景。本文介绍了首个针对ISCOS的统一方法来解决这些挑战。为应对不完全监督的问题，我们提出了一种统一的mean-teacher框架SEE，利用视觉基础模型“Segment Anything Model (SAM)”生成伪标签，使用教师模型生成的粗略掩码作为提示。为缓解低质量分割掩码的影响，我们引入了一系列伪标签生成、存储和监督策略。这些策略旨在生成信息丰富的伪标签，存储生成的最佳伪标签，并选择最可靠的组件来指导学生模型，从而确保网络训练的鲁棒性。此外，为应对固有相似性问题，我们设计了一个混合粒度特征分组模块，对不同粒度的特征进行分组并聚合结果。通过聚类相似特征，该模块促进分割一致性，促进对单物体和多物体图像的更完整分割。我们在多个ISCOS任务上验证了该方法的有效性，实验结果表明该方法达到了当前最优性能。此外，SEE可作为即插即用解决方案，提升现有模型的性能。
Keyword:
Concealed object segmentation
incompletely supervised learning
segment anything
feature grouping
期刊
IF:
18.6
论文数:
1.1K
被引数:
9.8W
机构
引用论文
.png){kind=icon}
分享收藏
分享收藏ECA-Net: Efficient Channel Attention for Deep Convolutional Neural NetworksEca-net: 深度卷积神经网络的高效信道关注
OAAI
OAAI分享收藏
查看更多内容