项目名称: 基于弱监督学习的图像语义分割研究

项目编号: No.61473091

项目类型: 面上项目

立项/批准年度: 2015

项目学科: 其他

项目作者: 张巍

作者单位: 复旦大学

项目金额: 78万元

中文摘要: 随着移动互联网的迅速普及,网络用户可以方便地上传图像,互联网上图像资源与日俱增。为有效组织、管理和检索海量网络图像,亟需方法实现对海量图像内容的分析、理解和挖掘。本项目研究图像语义分割,预测图像每个像素(超像素)的标签,从而在一个算法框架内解决图像分割、物体检测、图像自动标注等诸多任务,将充分利用用户提供的非精确标签信息,采取多量化图像分割策略,综合提取图像区域视觉特征、感知特征、图像上下文关系等不同层次线索,将自底向上的图像内容和自顶向下的先验知识有机结合起来,提高图像语义分割的效果。本项目重点研究弱监督学习算法,解决在训练集中超像素标签未知的情况下如何训练超像素分类器的问题,同时克服数据规模大、语义类别多、特征维数高等带来的挑战。

中文关键词: 图像标注;图像分割;特征提取;语义分割;弱监督学习

英文摘要: With the rapid development and popularization of Mobile Internet, users can upload their images to the internet easily, and the amount of web images increases violently. To efficiently organize, manage and retrieve large scale web images, it is urgent to develop techniques for image analysis, understanding and mining. This project conducts researches on image semantic segmentation, i.e., predicting the label for each pixel (superpixel) of image, which achieves image segmentation, object detection, and automatic annotation in a unified framework. To improve the performance of semantic segmentation, we sufficiently leverage the information from the weak label provided by the users, use multiple quantizations (partitionings) of each image, extract different cues for image region including visual features, perceptual features and context information, and combine bottom-up image content and top-down prior knowledge. We put emphasis on studying weakly supervised method which learns the superpixel classifiers without labeled superpixels for training, and overcome the challenges, i.e., the scale of data is large, the number of classes is great, and the feature is high-dimensional.

英文关键词: Image Annotation;Image Segmentation;Feature Extraction;Semantic Segmentation;Weakly Surpervised Learning

成为VIP会员查看完整内容
4

相关内容

基于RGB-D图像的语义场景补全研究进展综述
专知会员服务
28+阅读 · 2021年11月8日
专知会员服务
91+阅读 · 2021年8月29日
专知会员服务
26+阅读 · 2021年8月24日
专知会员服务
69+阅读 · 2021年3月29日
专知会员服务
61+阅读 · 2021年3月6日
专知会员服务
85+阅读 · 2021年1月7日
【AAAI2021】基于内容迁移的无监督领域自适应语义分割
专知会员服务
17+阅读 · 2020年12月25日
专知会员服务
32+阅读 · 2020年12月25日
专知会员服务
77+阅读 · 2020年12月6日
实例分割研究综述总结
专知
1+阅读 · 2021年12月3日
从锚点到关键点:目标检测方法最新进展(2019)
GAN生成式对抗网络
14+阅读 · 2019年8月22日
【CVPR2019】弱监督图像分类建模
深度学习大讲堂
38+阅读 · 2019年7月25日
最全综述 | 图像目标检测
计算机视觉life
31+阅读 · 2019年6月24日
病理图像的全景分割
人工智能前沿讲习班
16+阅读 · 2019年6月1日
一文概览用于图像分割的CNN
论智
14+阅读 · 2018年10月30日
如何设计基于深度学习的图像压缩算法
论智
40+阅读 · 2018年4月26日
图像检索研究进展:浅层、深层特征及特征融合
机器学习研究会
65+阅读 · 2018年3月26日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
8+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
Deformable Style Transfer
Arxiv
14+阅读 · 2020年3月24日
Arxiv
19+阅读 · 2018年3月28日
小贴士
相关VIP内容
基于RGB-D图像的语义场景补全研究进展综述
专知会员服务
28+阅读 · 2021年11月8日
专知会员服务
91+阅读 · 2021年8月29日
专知会员服务
26+阅读 · 2021年8月24日
专知会员服务
69+阅读 · 2021年3月29日
专知会员服务
61+阅读 · 2021年3月6日
专知会员服务
85+阅读 · 2021年1月7日
【AAAI2021】基于内容迁移的无监督领域自适应语义分割
专知会员服务
17+阅读 · 2020年12月25日
专知会员服务
32+阅读 · 2020年12月25日
专知会员服务
77+阅读 · 2020年12月6日
相关资讯
实例分割研究综述总结
专知
1+阅读 · 2021年12月3日
从锚点到关键点:目标检测方法最新进展(2019)
GAN生成式对抗网络
14+阅读 · 2019年8月22日
【CVPR2019】弱监督图像分类建模
深度学习大讲堂
38+阅读 · 2019年7月25日
最全综述 | 图像目标检测
计算机视觉life
31+阅读 · 2019年6月24日
病理图像的全景分割
人工智能前沿讲习班
16+阅读 · 2019年6月1日
一文概览用于图像分割的CNN
论智
14+阅读 · 2018年10月30日
如何设计基于深度学习的图像压缩算法
论智
40+阅读 · 2018年4月26日
图像检索研究进展:浅层、深层特征及特征融合
机器学习研究会
65+阅读 · 2018年3月26日
相关基金
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
8+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员