Nov, 2014

计算机婴儿学习

PDF
TL;DR本文提出了一种基于先前知识建模、示例学习和视频上下文学习的轻度半监督目标检测的计算模型，通过与现实实例的交互，从未标记的视频中检测并识别出更多的实例，进一步提高识别能力。
slightly-supervised object detectionexemplar learningconvolutional neural networktracking solutionunlabeled videos
发现论文，激发创造
  • 基於知識轉移的少樣本物體檢測

    本文提出了一种基于少量样本和元学习的物体检测方法，使用原型知识转移和基于图的显式先验知识，验证了该方法在 PASCAL VOC 数据集上的有效性。

    Aug, 2020

  • ConceptLearner: 从弱标注的图像集合中发现视觉概念

    本研究提出了 ConceptLearner，一种可扩展的方法来从弱标记的图像集合中自动学习并发现视觉概念检测器，并表明 ConceptLearner 能够应用于图像级别的概念识别和图像区域级别的概念检测，并在 SUN 数据库和 Pascal VOC 2007 上对场景识别和物体检测的学习表现显示出良好的性能。

    Nov, 2014

  • 通过与物体交互学习物体

    通过与 AI2-THOR 环境的互动，实现基于人类婴儿学习机制的计算框架，不依赖外部监督学习，从而有效地发现物体并学习物理特性。

    Jun, 2020

  • 基础级别分类促进视觉对象识别

    本文研究基于儿童视觉物体识别能力的发展轨迹和 Bar (2003) 的理论，提出一种深度卷积神经网络训练的优化策略，在基础级别物体分类的基础上训练亚目标级别分类，进而在小型数据集的迁移学习中取得了优秀的效果提升，证明本方法的可行性和有效性。

    Nov, 2015

  • 深度无监督学习视觉相似性

    本文提出了一种利用局部相似性的弱估计，通过单个最优化问题提取具有一致性关系的样本批次，将视觉相似性学习作为分类任务的序列，并使 CNN 巩固群体内和群组间的传递性关系，学习所有样本的单个表示。

    Feb, 2018

  • 模型通信的少样本目标检测

    该论文研究了一种名为 “few-example object detection” 的目标检测方法，使用了大量未标记图像和每类仅少量标记图像，并提出了基于模型训练和高置信度样本选择的策略来生成高信度的训练样本；通过嵌入多个检测模型来进一步提高样本的精度和召回率，并在实验中证明了其与使用大量图像级别标签的最先进弱监督方法相比，使用每类仅 3-4 个样本可获得非常有竞争力的结果。

    Jun, 2017

  • 无遗忘动态少样本视觉学习

    该研究提出了一种基于卷积神经网络和注意力机制的少样本视觉学习系统，旨在实现在测试时只使用少量训练数据就能有效地学习新类别，同时不会忘记原先基础类别的模型。经过在 Mini-ImageNet 数据集的测试，该模型在 1-shot 和 5-shot 设置下都取得了 56.20% 和 73.00% 的最优成绩。

    Apr, 2018

  • 观察和学习：从视频中半监督学习目标检测器

    本文提出一种半监督的方法，用于在长视频中定位多个未知的物体实例，通过这种方法可以有效地进行对象检测和跟踪，同时实现对大量静态物体实例的识别。

    May, 2015

  • 从未标注的视频中学习对象检测与检索

    本文提出一种基于弱监督学习的目标检测和检索方法，通过对视频进行自然主体提取，使用对比采样处理背景拒绝，使用聚类评分算法解决高噪声标签问题，针对 11 个手动标注目标在 5000 帧中的评估结果与弱监督方法进行比较并提供上限参考。

    May, 2019

  • CliqueCNN: 深度无监督样本学习

    本文提出了一种基于团伙分类任务的无监督训练方法，用于解决在仅有单个正样本、多个负样本以及不可靠的标注关系之间训练卷积神经网络的不足，并将其应用于姿态分析和物体分类任务。

    Aug, 2016