CVPR2022 論文速遞！半監(jiān)督語義分割 + 少樣本字體生成
Updated on : ?23 May 2022
total number : 2
UCC: Uncertainty guided Cross-head Co-training for Semi-Supervised Semantic Segmentation
論文/Paper: http://arxiv.org/pdf/2205.10334
代碼/Code: None
Few-Shot Font Generation by Learning Fine-Grained Local Styles
論文/Paper: http://arxiv.org/pdf/2205.09965
代碼/Code: None
UCC: Uncertainty guided Cross-head Co-training for Semi-Supervised Semantic Segmentation
標(biāo)題：UCC：用于半監(jiān)督語義分割的不確定性引導(dǎo)交叉頭協(xié)同訓(xùn)練
摘要：
深度神經(jīng)網(wǎng)絡(luò) (DNN) 在語義分割方面取得了巨大成功，這需要大量標(biāo)記數(shù)據(jù)進行訓(xùn)練。我們提出了一種新的學(xué)習(xí)框架，稱為不確定性引導(dǎo)的交叉頭協(xié)同訓(xùn)練 (UCC)，用于半監(jiān)督語義分割。我們的框架在共享編碼器中引入了弱增強和強增強來實現(xiàn)協(xié)同訓(xùn)練，這自然結(jié)合了一致性和自訓(xùn)練的好處。每個分割頭與其對等點交互，弱增強結(jié)果用于監(jiān)督強者。一致性訓(xùn)練樣本的多樣性可以通過動態(tài)跨集復(fù)制粘貼（DCSCP）來提高，這也緩解了分布不匹配和類不平衡問題。此外，我們提出的不確定性引導(dǎo)重加權(quán)模塊（UGRM）通過建模不確定性抑制來自同行的低質(zhì)量偽標(biāo)簽的影響，從而增強了自訓(xùn)練偽標(biāo)簽。Cityscapes 和 PASCAL VOC 2012 的大量實驗證明了我們的 UCC 的有效性。我們的方法明顯優(yōu)于其他最先進的半監(jiān)督語義分割方法。它在 1/16 協(xié)議下分別在 Cityscapes 和 PASCAL VOC 2012 數(shù)據(jù)集上實現(xiàn)了 77.17%、76.49% 的 mIoU，比監(jiān)督基線好 +10.1%、+7.91%。
整體架構(gòu)：
實驗結(jié)果：
Few-Shot Font Generation by Learning Fine-Grained Local Styles
標(biāo)題：通過學(xué)習(xí)細(xì)粒度的局部樣式生成 Few-Shot 字體
摘要：
少樣本字體生成 (FFG) 旨在通過一些示例生成新字體，由于勞動力成本的顯著降低，越來越受到關(guān)注。典型的 FFG 管道將標(biāo)準(zhǔn)字體庫中的字符視為內(nèi)容字形，并通過從參考字形中提取樣式信息將它們傳輸?shù)叫碌哪繕?biāo)字體。大多數(shù)現(xiàn)有解決方案明確地在全局或組件方面明確地解開引用字形的內(nèi)容和樣式。然而，字形的風(fēng)格主要在于局部細(xì)節(jié)，即部首、組件、筆畫的風(fēng)格共同描繪了一個字形的風(fēng)格。因此，即使是單個字符也可以包含分布在空間位置上的不同樣式。在本文中，我們提出了一種新的字體生成方法，通過學(xué)習(xí) 1）從參考中獲得細(xì)粒度的局部樣式，以及 2）內(nèi)容和參考字形之間的空間對應(yīng)關(guān)系。因此，可以為內(nèi)容字形中的每個空間位置分配正確的細(xì)粒度樣式。為此，我們對內(nèi)容字形的表示作為查詢和參考字形的表示作為鍵和值采用交叉注意。交叉注意力機制可以關(guān)注參考字形中正確的局部樣式，并將參考樣式聚合成給定內(nèi)容字形的細(xì)粒度樣式表示，而不是顯式地解開全局或組件建模。實驗表明，所提出的方法優(yōu)于 FFG 中最先進的方法。特別是，用戶研究還證明了我們方法的風(fēng)格一致性明顯優(yōu)于以前的方法。
整體架構(gòu)：
