@article { author = {Razzaghi, Parvin}, title = {Weakly supervised semantic segmentation using object level and context level information}, journal = {Journal of Machine Vision and Image Processing}, volume = {5}, number = {1}, pages = {1-13}, year = {2018}, publisher = {Iranian Society of Machine Vision and Image Processing}, issn = {2383-1197}, eissn = {2383-1197}, doi = {}, abstract = {In this paper, a new approach to weakly supervised semantic segmentation is proposed. The main goal in semantic segmentation is to assign a semantic label to each pixel. In weakly supervised setting, each training image is only labeled by the classes they contain, not by their locations. The main contribution of this paper is to simultaneously incorporate the object level and context level information in assigning class label to each pixel of the image. To do this, regions in each image are grouped such that groups of regions in images with the same semantic label have the same appearance and context. To do this, an iterative move-making algorithm is proposed. At first, each pixel of the image is initially labeled and then model of appearance and context for each class label is learned. Then, semantic label of each pixel is updated such that the regions with the same sematic label have the same appearance and context in the set of images. In the next step, appearance and context models for each semantic class are updated. It is repeated until in the two consecutive epochs, labels of the pixels are not changed. To evaluate our proposed approach, it is applied on the MSRC dataset. The obtained results show that our approach outperforms comparable state-of-the-art approaches.}, keywords = {Weakly supervised semantic segmentation,Object level information,Context level information,Expansion move algorithm}, title_fa = {بخش بندی معنایی نظارتی ضعیف با استفاده همزمان از اطلاعات سطح شی و سطح متن}, abstract_fa = {در این مقاله، روش جدیدی برای بخش­بندی معنایی تصاویر در حضور داده­های آموزشی نظارتی ضعیف ارائه می­گردد. هدف اصلی در بخش­بندی معنایی اختصاص برچسب به تمامی پیکسل­های تصویر است. در داده­های آموزشی نظارتی ضعیف، تنها برچسب­های معنایی موجود در تصویر مشخص می­گردد و مکان آن­ها در تصویر مشخص نمی­گردد. نوآوری روش پیشنهادی، استفاده همزمان از اطلاعات سطح شی و سطح متن در تعیین برچسب­های معنایی در تصویر می­باشد. در روش پیشنهادی، نواحی تصاویری که دارای مجموعه برچسب­های یکسانی می­باشند، با یکدیگر ترکیب می­گردند به گونه­ای که در تصاویری که دارای برچسب­های مشترک هستند، نحوه ظهور یکسان داشته و موقعیت مکانی آن­ها نسبت به دیگر برچسب­های معنایی موجود در تصویر نیز یکسان باشد. همچنین برای بهینه کردن تابع هزینه­ی پیشنهادی، یک الگوریتم تکرار شونده ارائه شده است که در آن در ابتدا تمامی پیکسل­های مجموعه تصاویر، به صورت اولیه برچسب گذاری می­گردد. سپس مدل ظهور هر برچسب معنایی و مدل متن آن با استفاده از ماشین بردار پشتیبان آموزش می­بیند. در قدم بعد، برچسب پیکسل­ها به گونه­ای به روزرسانی می­گردد که در مجموعه تصاویری که دارای برچسب­های یکسانی می­باشند، اطلاعات سطح شی و سطح متن مشابه باشند. به روزرسانی برچسب­ها تا زمانی ادامه می­یابد که در دو دور متوالی، برچسب­ پیکسل­ها تغییر نیابد. برای ارزیابی کارایی روش پیشنهادی از مجموعه داده­ی MSRC استفاده شده است. روش پیشنهادی بر روی مجموعه داده­ی MSRC، دقت میانگین نرخ شناسایی گروهی 72% را به دست آورده است که در مقایسه با دیگر روش­های  قابل مقایسه و موفق پیشین 1% افزایش دقت داشته است.}, keywords_fa = {بخش بندی معنایی نظارتی ضعیف,اطلاعات سطح شی,اطلاعات سطح متن,الگوریتم بسط حرکت}, url = {https://jmvip.sinaweb.net/article_46258.html}, eprint = {https://jmvip.sinaweb.net/article_46258_081d43505596075dbee13567a9b5b64f.pdf} }