上海交通大学人工智能研究院杨小康、沈为团队联合华为田奇团队共同发布了非完全监督（即标签有限）下的图像分割方法最新综述“A Survey on Label-efficient Deep Segmentation: Bridging the Gap between Weak Supervision and Dense Prediction”。

该工作由人工智能研究院沈为副教授主持，全文包含170余篇文献，全面总结了不同类型的监督标签在不同分割任务上的进展情况：包括无监督、弱监督、半监督、部分监督、域迁移等多种设置下的语义、实例、全景分割问题，并以统一视角--“如何缩小弱监督信号与密集预测之间的差距”进行分析，总结出用于解决这个问题的四种通用的启发式先验：① cross-label constraint (跨标签约束)；② cross-pixel similarity （跨像素相似性）；③ cross-view consistency （跨视图一致性）；④ cross-image relation （跨图像关系）。

论文标题：

A Survey on Label-efficient Deep Segmentation: Bridging the Gap between Weak Supervision and Dense Prediction

论文作者：

Wei Shen, Zelin Peng, Xuehui Wang, Huayu Wang, Jiazhong Cen, Dongsheng Jiang, Lingxi Xie, Xiaokang Yang, Qi Tian

论文链接：

https://arxiv.org/abs/2207.01223

 

内容中包含的图片若涉及版权问题，请及时与我们联系删除