《STC: A Simple to Complex Framework for Weakly-supervised Semantic Segmentation》笔记

《STC: A Simple to Complex Framework for Weakly-supervised Semantic Segmentation》笔记

  • 学习笔记,如有谬误,还请不吝赐教!
    • 解决的问题以及方法
    • 框架及细节
  • Initial DCNN
  • Enhanced-DCNN
  • Powerful-DCNN
    • 后记

学习笔记,如有谬误,还请不吝赐教!

解决的问题以及方法

Image level的弱监督分割算法,从简单的背景简单、前景单一图像学起,再学习复杂图像的过程。

框架及细节

《STC: A Simple to Complex Framework for Weakly-supervised Semantic Segmentation》笔记_第1张图片
主要的想法还是想方设法搞出比较靠谱的掩码,然后CNN拟合。

Initial DCNN

通过《Salient object detection: A discriminative regional feature integration approach》的方法得到显著图,通过交叉熵训练网络,标签就是归一化的显著图(不过他这里说是多分类交叉熵,但他又说对于简单的图像,就认为是只有一个类,所以这里其实就是一个两类的交叉熵,一个标签标记的前景,用显著图的归一化值做标签,一个是背景,就用1减掉)

Enhanced-DCNN

通过第一个网络得到大致分割的结果,通过图像标签选择对应类的掩码,监督训练。
《STC: A Simple to Complex Framework for Weakly-supervised Semantic Segmentation》笔记_第2张图片

Powerful-DCNN

和上一个的区别就是使用更复杂的图像,多标签的图像就在多个掩码中选择最大的。
《STC: A Simple to Complex Framework for Weakly-supervised Semantic Segmentation》笔记_第3张图片

后记

所以… 这篇的亮点在哪里呢…

你可能感兴趣的:(学习笔记)