Die Kernaussage dieses Artikels ist, dass die Mehrdeutigkeit in Bildern zu falschen Aktivierungen in den Klassen-Aktivierungskarten (CAMs) und Ungenauigkeiten bei der Verfeinerung der Pseudomasken führt, was die Leistung der schwach überwachten semantischen Segmentierung beeinträchtigt. Um dieses Problem zu lösen, wird ein einheitliches, einstufiges Framework namens UniA vorgeschlagen, das die Mehrdeutigkeit durch Unsicherheitsschätzung und Affinitätsdiversifizierung effizient behandelt.
Durch die Einbeziehung von Kontextprototypen können die Modelle die Semantik und Attribute einzelner Objekte genauer erfassen und vollständigere Aktivierungskarten erzeugen.
Die vorgeschlagene Methode reduziert erfolgreich das Hintergrundrauschen in Aufmerksamkeitskarten, was zu einer verbesserten Genauigkeit der Pseudolabels führt.
Die Qualität der Salienz-Karte ist ein entscheidender Faktor für salienz-gesteuerte Ansätze der schwach überwachten semantischen Segmentierung. Die in bisherigen Arbeiten verwendeten Salienz-Karten sind jedoch inkonsistent, was die Forschung in diesem Bereich erschwert.
Die Methode "Dual Features-Driven Hierarchical Rebalancing" (DHR) verbessert die Leistung von schwach überwachten semantischen Segmentierungsmodellen, indem sie die Unterscheidung zwischen benachbarten Klassen durch die Verwendung von unüberwachten und schwach überwachten Merkmalen verstärkt.
Eine duale Studentenarchitektur mit vertrauenswürdigem progressivem Lernen (DuPL) kann die Bestätigungsverzerrung von Klassen-Aktivierungskarten (CAM) effektiv reduzieren und die Qualität der Pseudo-Labels verbessern, was zu einer überlegenen Segmentierungsleistung führt.
Eine duale Studentenarchitektur mit vertrauenswürdigem progressivem Lernen (DuPL) zur Überwindung der Bestätigungsverzerrung von Klassen-Aktivierungskarten und zur vollständigen Ausnutzung der Pseudomarkierungen für eine robuste schwach überwachte semantische Segmentierung.
Das vorgeschlagene Modell CoBra nutzt die komplementären Eigenschaften von CNN und Vision Transformer, um präzise Lokalisierungskarten zu erstellen, die sowohl klassenbezogene als auch semantische Informationen enthalten.
Die Arbeit schlägt ein "Separate and Conquer" -Schema vor, um das weit verbreitete Problem des Co-Occurrence in der schwach überwachten semantischen Segmentierung zu bewältigen.
Optimierung der CAMs in einem end-to-end-Modell zur Verbesserung der semantischen Segmentierung.