.png){kind=icon}
返回
Semantic image segmentation via dynamic curriculum learning
.png){kind=icon}
PRE
AI
DOI：10.1007/s10489-025-06616-w.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
为语义分割任务中的大规模数据手动标注像素级标签不仅耗时费力，而且难以保证标注质量的一致性。本文提出了一种简单而有效的语义分割框架，命名为Dynamic Curriculum Learning（DCL），通过利用合成图像和无标签图像来渐进式地学习分割知识。首先，提出了一种数据生成策略，用于自动生成大规模带有像素级标签的合成图像。随后的迭代过程涉及一个双重优化过程，其中模型利用带有固有像素级标签的合成图像和添加了生成伪标签的目标图像进行优化。在每个训练轮次结束后，DCL通过包含图像级样本选择（ISS）、图像增强和条件随机场（CRF）后处理的三角策略，动态调整训练数据集和目标域的伪标签。在不使用任何目标数据标签（即图像级标签、边界框标签和像素级标签）的情况下，我们的模型在性能上优于大多数现有的半监督学习和合成图像方法，达到了当前最佳水平。
Keyword:
Semantic segmentation
Dynamic curriculum learning
Synthetic images
期刊
IF:
3.5
论文数:
7.6K
被引数:
1.7W
机构
引用论文
DMT: Dynamic mutual training for semi-supervised learningDMT: 半监督学习的动态互训练.png)
PATTERN RECOGNITION
OAAI
PATTERN RECOGNITIONIF7.6
OAAI分享收藏Dataset Augmentation with Synthetic Images Improves Semantic Segmentation使用合成图像进行数据集增强可提升语义分割效果
PREAI
分享收藏CorrMatch: Label Propagation via Correlation Matching for Semi-Supervised Semantic Segmentation
PREAI
分享收藏Adversarial Learning of Object-Aware Activation Map for Weakly-Supervised Semantic Segmentation
PREAI
分享收藏Fine-Grained Visual Classification via Progressive Multi-granularity Training of Jigsaw Patches
PREAI
分享收藏分享收藏Rectifying Pseudo Label Learning via Uncertainty Estimation for Domain Adaptive Semantic Segmentation通过不确定性估计纠正伪标签学习，用于领域自适应语义分割
PREAI
分享收藏
查看更多内容