整理：AI算法与图像处理
CVPR2022论文和代码整理：https://github.com/DWCTOD/CVPR2022-Papers-with-Code-Demo
欢迎关注公众号 AI算法与图像处理，获取更多干货：
大家好, 最近正在优化每周分享的CVPR论文, 目前考虑按照不同类别去分类,方便不同方向的小伙伴挑选自己感兴趣的论文哈
欢迎大家留言其他想法, 合适的话会采纳哈! 求个三连支持一波哈
Updated on : 23 May 2022
total number : 2
UCC: Uncertainty guided Cross-head Co-training for Semi-Supervised Semantic Segmentation
- 论文/Paper: http://arxiv.org/pdf/2205.10334
- 代码/Code: None
Few-Shot Font Generation by Learning Fine-Grained Local Styles
- 论文/Paper: http://arxiv.org/pdf/2205.09965
- 代码/Code: None
UCC: Uncertainty guided Cross-head Co-training for Semi-Supervised Semantic Segmentation
标题：UCC：用于半监督语义分割的不确定性引导交叉头协同训练
摘要：
深度神经网络 (DNN) 在语义分割方面取得了巨大成功，这需要大量标记数据进行训练。我们提出了一种新的学习框架，称为不确定性引导的交叉头协同训练 (UCC)，用于半监督语义分割。我们的框架在共享编码器中引入了弱增强和强增强来实现协同训练，这自然结合了一致性和自训练的好处。每个分割头与其对等点交互，弱增强结果用于监督强者。一致性训练样本的多样性可以通过动态跨集复制粘贴（DCSCP）来提高，这也缓解了分布不匹配和类不平衡问题。此外，我们提出的不确定性引导重加权模块（UGRM）通过建模不确定性抑制来自同行的低质量伪标签的影响，从而增强了自训练伪标签。Cityscapes 和 PASCAL VOC 2012 的大量实验证明了我们的 UCC 的有效性。我们的方法明显优于其他最先进的半监督语义分割方法。它在 1/16 协议下分别在 Cityscapes 和 PASCAL VOC 2012 数据集上实现了 77.17%、76.49% 的 mIoU，比监督基线好 +10.1%、+7.91%。
整体架构：
实验结果：
Few-Shot Font Generation by Learning Fine-Grained Local Styles
标题：通过学习细粒度的局部样式生成 Few-Shot 字体
摘要：
少样本字体生成 (FFG) 旨在通过一些示例生成新字体，由于劳动力成本的显着降低，越来越受到关注。典型的 FFG 管道将标准字体库中的字符视为内容字形，并通过从参考字形中提取样式信息将它们传输到新的目标字体。大多数现有解决方案明确地在全局或组件方面明确地解开引用字形的内容和样式。然而，字形的风格主要在于局部细节，即部首、组件、笔画的风格共同描绘了一个字形的风格。因此，即使是单个字符也可以包含分布在空间位置上的不同样式。在本文中，我们提出了一种新的字体生成方法，通过学习 1）从参考中获得细粒度的局部样式，以及 2）内容和参考字形之间的空间对应关系。因此，可以为内容字形中的每个空间位置分配正确的细粒度样式。为此，我们对内容字形的表示作为查询和参考字形的表示作为键和值采用交叉注意。交叉注意力机制可以关注参考字形中正确的局部样式，并将参考样式聚合成给定内容字形的细粒度样式表示，而不是显式地解开全局或组件建模。实验表明，所提出的方法优于 FFG 中最先进的方法。特别是，用户研究还证明了我们方法的风格一致性明显优于以前的方法。
整体架构：
