In this paper, we study the semi-supervised semantic segmentation problem via exploring both labeled data and extra unlabeled data. We propose a novel consistency regularization approach, called cross pseudo supervision (CPS). Our approach imposes the consistency on two segmentation networks perturbed with different initialization for the same input image. The pseudo one-hot label map, output from one perturbed segmentation network, is used to supervise the other segmentation network with the standard cross-entropy loss, and vice versa. The CPS consistency has two roles: encourage high similarity between the predictions of two perturbed networks for the same input image, and expand training data by using the unlabeled data with pseudo labels. Experiment results show that our approach achieves the state-of-the-art semi-supervised segmentation performance on Cityscapes and PASCAL VOC 2012.

This paper describes algorithms to automatically derive 3D models of high visual quality from single facade images of arbitrary resolutions. We combine the procedural modeling pipeline of shape grammars with image analysis to derive a meaningful hierarchical facade subdivision. Our system gives rise to three exciting applications: urban reconstruction based on low resolution oblique aerial imagery, reconstruction of facades based on higher resolution ground-based imagery, and the automatic derivation of shape grammar rules from facade images to build a rule base for procedural modeling technology.

The recently-developed DETR approach applies the transformer encoder and decoder architecture to object detection and achieves promising performance. In this paper, we handle the critical issue, slow training convergence, and present a conditional cross-attention mechanism for fast DETR training. Our approach is motivated by that the cross-attention in DETR relies highly on the content embeddings for localizing the four extremities and predicting the box, which increases the need for high-quality content embeddings and thus the training difficulty.Our approach, named conditional DETR, learns a conditional spatial query from the decoder embedding for decoder multi-head cross-attention. The benefit is that through the conditional spatial query, each cross-attention head is able to attend to a band containing a distinct region, e.g., one object extremity or a region inside the object box. This narrows down the spatial range for localizing the distinct regions for object classification and box regression, thus relaxing the dependence on the content embeddings and easing the training. Empirical results show that conditional DETR converges 6.7× faster for the backbones R50 and R101 and 10× faster for stronger backbones DC5-R50 and DC5-R101. Code is available at https://github.com/Atten4Vis/ConditionalDETR.

Objective: To establish an animal model of cerebral hernia induced by acute intracranial hypertension for subsequent research in emergency medicine. Methods: Six Guangxi Ba-Ma mini-pigs were injected with autologous arterial blood by micropump to induce intracranial hematoma in the frontal and temporal parietal lobes. Changes in intracranial pressure (ICP), mean arterial blood pressure (MAP) and cerebral perfusion pressure (CPP) were observed during hematoma formation. Morphological changes and the occupying effects of intracranial hematoma were analyzed using computed tomography (CT) and magnetic resonance imaging (MRI) of the head. Results: ICP, MAP and CPP gradually increased during blood injection, and they began to slowly decrease at 10 min after injection, though they remained higher than before injection. These three parameters were significantly different before blood injection, immediately after injection and at 10 min after injection (P < 0.05). Head CT and MRI showed cerebral hernia induced by acute intracranial hypertension. Conclusion: Micropump injection of autologous arterial blood can lead to acute intracranial hypertension in mini-pigs, which may be a useful model of cerebral hernia.