基于少量像素标注与点云数据的驾驶场景弱监督语义分割 背景与研究问题 语义分割作为计算机视觉的重要任务之一，在自动驾驶等领域具有广泛应用。然而，传统的全监督语义分割方法需要大量的像素级标注，标注成本高昂。在弱监督语义分割（Weakly Supervised Semantic Segmentation, WSSS）中，通过较少的粗粒度标注（如图片标签、边框、点级标注等）实现像素级分割，极大地降低了标注成本。 现有的WSSS方法大多基于CAM（类激活图）生成初始分割种子，但在复杂的驾驶场景中，这种方法表现不佳。驾驶场景中的图像通常包含多种物体类别，且类别间的遮挡、重叠问题严重，导致现有基于图片标签的WSSS方法难以达到高精度分割效果。 针对这些问题，本研究提出了一种结合少量点标注和点云数据的新型W...

关于领域自适应语义分割的新视角：T2S-DA研究 背景与研究意义 语义分割在计算机视觉领域中具有重要的应用，但其性能往往依赖于大量标注数据。然而，标注数据的获取成本极高，特别是在复杂场景中，为此，许多研究转向利用合成数据来缓解标注需求的问题。然而，由于领域间的差异性（domain gap），基于合成数据训练的模型难以泛化到真实场景中。这种情况下，无监督领域适应（Unsupervised Domain Adaptation, UDA）方法成为解决此问题的有效手段，其目标是从标注的源域（source domain）迁移知识到未标注的目标域（target domain）。 传统的UDA方法主要分为两类：对抗训练和自训练。对抗训练通过分布对齐来缩小领域间的差异，而自训练则利用目标域的伪标签进行直接监...

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...