弱监督下的视觉模式配置发现
本论文提出了一种新方法,通过图像级标签,结合判别子模块覆盖问题和平滑的潜在 SVM 公式,实现仅需很少的监督,即可学习定位对象。实验表明,该方法在 PASCAL VOC 2007 检测中,相对于现有技术有 50%的平均精确度提升。
Mar, 2014
本文探讨探索深度卷积神经网络的力量,提出了一种弱监督的深度检测架构,该架构可以同时进行区域选择和分类,并使用图像分类器训练,从而比实现图像级分类任务的标准数据增强和微调技术更好地学习目标探测器。
Nov, 2015
本文提出了一种基于弱监督的学习方法,通过将图像视为一个包中的实例将其融入到深度神经网络中,将弱监督的多实例学习约束与深度神经网络集成在一起,并采用端到端的方式优化网络以实现对象分类和发现任务。在 PASCAL VOC 数据集上的测试表明,该方法在对象分类方面可以获得最先进的性能,并且在对象发现方面也具有很强的竞争力,并且测试速度比竞争者更快。
May, 2017
本文介绍了一种采用多实例学习方法、利用二进制标签训练目标探测器并推断正样本中物体的位置的弱监督学习方法,旨在解决目标分类定位问题,同时提出了一种多因素多实例学习流程和窗口细化方法,将之应用于高维特征,例如 Fisher 向量和卷积神经网络特征,并在使用 PASCAL VOC 2007 测试集进行实验验证其有效性。
Mar, 2015
本文综述了弱监督物体定位和检测领域中的经典模型、深度网络特征表示法、基于纯深度学习的方法及公共数据集和标准评估指标等内容。同时也讨论了该领域的发展历程、方法类别间的关系、应用以及未来研究方向等。
Apr, 2021
本文提出了一种使用仅图像标签训练的分类网络的弱监督对象定位算法,该方法利用卷积层中捕获的局部空间和语义模式来检测和定位图像中的多个物体,通过采用有效的束搜索方法,该方法在标准对象定位数据集中明显优于现有技术,mAP 得分提高了 8 个点。
Mar, 2016
利用弱监督对比学习的语义引导自监督学习模型,在基于自我监督模型 DINO 的特征编码器上微调,采用主成分分析(PCA)来定位物体区域,实验证明了该解决方案的有效性。
Jul, 2023
本文提出了一种新型的端到端弱监督检测方法,将引入的生成对抗分割模块与传统检测模块相互作用,充分利用弱监督定位任务的互补解释,即检测与分割任务,形成更全面的解决方案,从而获得更精确的对象边界框。
Apr, 2019
本文提出了一个简单而有效的弱监督协作学习框架,旨在解决在弱监督目标检测中经常出现的标注准确性与模型准确性之间的矛盾,并在 PASCAL VOC 2007 和 2012 数据集上进行了广泛的实验证明了其有效性。
Feb, 2018
本研究提出了基于级联卷积神经网络的两种体系结构,旨在解决在没有昂贵人工注释下进行的弱监督下的目标检测问题,第一阶段从全卷积神经网络中提取类特定区域提议的最佳候选项,在三阶段体系结构中,中间阶段通过第一阶段的激活映射来提供物体分割。这些体系结构在弱监督目标检测,分类和定位领域的实验中表现出了改进。
Nov, 2016