ist的matlab代码-SEC:种子，扩展，约束：弱监督图像分割的三个原理

ist的matlab代码种子，扩展，约束：弱监督图像分割的三个原理 由IST Austria的Alexander Kolesnikov和Christoph Lampert创建。 介绍 我们提出了一种用于训练卷积神经网络的新的复合损失函数，用于弱监督图像分割的任务。 我们的方法依赖于以下三个见解： 图像分类神经网络可用于生成可靠的对象定位提示（种子），但无法预测对象的确切空间范围。 我们通过使用种子损失来引入这一方面，该种子损失鼓励分割网络匹配本地化提示，但与图像的其余部分无关。 要从每个图像注释中训练分割网络，可以使用全局池层，该池将分割蒙版聚合为图像级标签分数。 该层的选择对分段的质量有很大的影响。 例如，最大池化往往会低估对象的大小，而平均池化往往会高估它。 我们提出了一种全局加权秩合并，该扩展由扩展损失来利用，以将对象种子扩展到合理大小的区域。 它概括了最大池化和平均池化，并且在我们的经验研究中胜过它们。 由图像级标签训练的网络很少会捕获图像中对象的精确边界。 在测试时通过完全连接的条件随机字段（CRF）进行后处理通常不足以克服这一问题，因为一旦对网络进行了训练，它们甚至会对错误