通过可视化CNN中间层实现弱监督火焰分割
计算机视觉与模式识别
2021-11-17 v1
摘要
图像与视频中的火焰定位是自主系统应对火灾事件的重要步骤。基于深度神经网络的最先进图像分割方法需要大量像素标注样本以全监督方式训练卷积神经网络（CNNs）。本文中，我们考虑图像中火焰的弱监督分割，其中仅使用图像标签来训练网络。我们表明，在作为二值分割问题的火焰分割情形下，分类CNN中间层特征的平均值可优于传统的类激活映射（CAM）方法。我们还提出通过在最后卷积层特征上添加旋转等变正则化损失来进一步提升分割精度。我们的结果显示，相对于弱监督火焰分割的基线方法取得了显著改进。
引用
@article{arxiv.2111.08401,
title = {Weakly-supervised fire segmentation by visualizing intermediate CNN layers},
author = {Milad Niknejad and Alexandre Bernardino},
journal= {arXiv preprint arXiv:2111.08401},
year = {2021}
}