CVPRJan, 2015

野外无监督物体发现和定位：基于部件匹配和自底向上区域建议的方法

PDF
TL;DR本文提出了一种基于部分匹配区域的方法，使用概率霍夫变换在多个对象类别的嘈杂图像集合中无监督地发现和定位支配对象，并在标准测试基准上证明了该方法在物体共现方面显著优于现有技术，可在具有挑战性的混合类数据集中实现鲁棒的对象发现。
unsupervised discoverydominant objectsobject localizationpart-based region matchingprobabilistic hough transform
发现论文，激发创造
  • 视频集合中的无监督目标发现和跟踪

    本研究提出一种结合发现和跟踪两个过程的算法，用于自动定位包含在视频集合中的物体，并能发现跨不同视频的物体实例之间的隐含拓扑关系，实验表明该算法在多目标定位方面表现优异

    May, 2015

  • 面向大规模图像集合的无监督多目标发现

    该论文提出了一个基于无监督学习的物体发现方法，其中包括了基于显著性的边界提取算法以及采用层次结构与两阶段策略提高发现效率。通过使用小型随机图片集和整个图片集合，该方法能够发现每张图片中的多个目标，实现了对面向真实大规模图像数据集的无监督图像解释的重要的一步。

    Jul, 2020

  • 特征对齐下的无监督部件发现

    本文提出利用无监督学习的方法发现物体的不同部位，通过神经网络构建特征并实现物体识别和部位检测。

    Dec, 2020

  • 学习仅需最少监督的物体定位

    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

  • 半监督物体检测的提议学习

    本文针对具有生物医学背景的图像分类问题，提出了基于遗传算法的医学图片特征选择模型，在多个数据集上均取得了优秀的分类效果。

    Jan, 2020

  • Compositor: 底层聚类和合成用于稳健的部件和物体分割

    本文提出一种用于联合部分和对象分割的鲁棒方法，即将对象和部分分割重新表示为优化问题，并构建分层特征表示，其中包括像素、部分和对象级别嵌入，以自下而上的聚类方式解决它。

    Jun, 2023

  • 学习开放世界物体提议，不需学习分类

    本文提出一种基于 Object Localization Network (OLN) 且不需要分类器的目标定位方法，创新性地实现了目标定位的普适性并在交叉数据集上验证了其有效性。

    Aug, 2021

  • 无监督目标定位：观察背景发现物体

    从背景入手，在不需要强烈假设对象本身的情况下，提出了一个基于特征检测的模型 FOUND，用于无监督的显著性检测和对象发现，并在这些任务上取得了国际领先的成果。

    Dec, 2022

  • 视频和图像联合分割与定位的前景聚类

    本文提出了一种新的框架，将视频 / 图像分割和区域定位视为一个单一的优化问题，并以非常弱的监督方式集成低级外观线索和高级定位线索的信息。该框架利用不同级别的两种表示，利用边界框和超像素之间的空间关系作为线性约束，同时在边界框和超像素级别上区分前景和背景。与以往主要依赖于判别聚类的方法不同，我们结合了一个前景模型，使得一个物体在所有图像帧中的直方图差异最小。利用超像素和边界框之间的几何关系使得分割线索可以传递以改善定位输出，反之亦然。前景模型的引入将我们的判别框架推广到视频数据，其中背景往往是相似的，因此不具有判别力。我们证明了我们的统一框架在 YouTube 对象视频数据集，Internet 对象发现数据集和 Pascal VOC 2007 上的有效性。

    Nov, 2018

  • 对比物体掩码提案的无监督语义分割

    本文旨在通过采用对比优化目标中的预定中级先验，引入了一个两步框架来学习像素嵌入，从而解决了计算机视觉中的无监督语义表示学习问题，并证明此方法优于现有方法。

    Feb, 2021