语义分割旨在为图像中的每个像素预测类别标签（Liu et al., 2021; Wang et al., 2021），广泛应用于场景理解、医学图像分析、自动驾驶、地理信息系统和增强现实（Strudel et al., 2021; Sun et al., 2023）。虽然深度神经网络的发展显著提升了分割任务的表现（Chen et al., 2014; Guan et al., 2021; Zhao et al., 2017），但这些进展要求大量像素级标注数据进行模型训练，获取这些数据在现实场景中代价高昂（Jiang et al., 2022; Liang et al., 2023）。与此同时，当测试数据与训练数据存在分布差异时，多数分割方法的性能通常会下降（Huang et al., 2022...

用于语义分割的堆叠反卷积网络 引言 语义分割在计算机视觉领域中是一项关键任务，其目的是对图像中的每一个像素进行分类，预测其类别。然而，现有的全卷积网络（Fully Convolutional Networks, FCNs）在处理空间分辨率方面存在局限性，容易出现物体边界模糊和小物体丢失的问题。为了解决这些问题，本文提出了一种堆叠逆卷积网络（Stacked Deconvolutional Network, SDN）来提升语义分割的效果。 研究背景 在深度卷积神经网络（Deep Convolutional Neural Networks, DCNNs）的推动下，语义分割取得了显著进展。DCNN通过强大的学习能力可以获取高级语义特征，比如图像分类、目标检测和关键点预测等。然而，DCNN在语义分割任...

通过替代双教师自调教学实现弱监督语义图像分割 背景介绍 随着计算机视觉领域的不断发展，语义分割成为了其中一个重要而活跃的研究方向。传统的语义分割方法依赖手工标记的像素级标签，然而获取这些精确标注通常需要大量的人力和时间成本。为了解决这一问题，近年来提出了弱监督语义分割（Weakly Supervised Semantic Segmentation，WSSS），其目标是在最小化人工标注的前提下，利用弱标注信息（如图像标签、边框、涂鸦等）实现高效的语义分割。 本文研究的是基于图像级标签的弱监督语义分割方法，这是所有 WSSS 类别中最具挑战性的任务。当前方法主要依赖于图像分类模型生成伪分割掩膜（Pseudo Segmentation Masks，PSMs），但这些模型特征主要用于分类任务，导致伪...