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
该论文介绍了一种利用弱标记视频中的跟踪对象框传输到弱标记图像中生成伪 Ground Truth 框的框架,用以训练对象检测器,该方法包括从弱标记图像集合中挖掘分辨率区域以形成伪 GT 框,然后设计霍夫变换算法对每个图像投票以选择最佳盒子,目前已在 PASCAL 2007 和 2010 数据集上实现了最先进的弱监督检测结果。
Apr, 2016
本论文提出了一种基于半监督学习的视频显著性目标检测方法,使用伪标签从稀疏注释帧中生成像素级伪标签,并结合部分手动注释,学习了空间和时间线索,进而产生准确的显著性图。实验结果表明,我们的方法在 VOS、DAVIS 和 FBMS 三个公共基准测试数据集上均明显优于所有最先进的全监督方法。
Aug, 2019
本文提出基于视频序列的目标发现和检测器适应方法,通过三个大型自动驾驶和移动机器人场景的视频数据集的应用,证明了其鲁棒性和广泛性,并提出了一种基于外观聚类的无监督物体发现方法,成功地发现了与驾驶场景相关的有趣物体,同时通过自监督检测器适应,进一步提高了现有类别在 KITTI 数据集的检测性能,可用于自主驾驶的大规模目标学习。
Dec, 2017
本文介绍了一种利用标记图像数据和未标记视频序列学习实例跟踪网络的半监督框架,采用实例对比目标,利用学习的嵌入区分每个实例并在不同帧之间稳定地跟踪对象,并且将此模块集成到单阶段实例分割和姿态估计框架中,较之两阶段网络显著降低了跟踪的计算复杂度。无需任何视频标注努力,我们的方法可达到与大多数完全监督方法相当甚至更好的性能。
Apr, 2021
本文提出了一种适用于移动摄像头、自适应于不同数据源的无监督多任务自学习算法,通过结合性地学习实例级追踪器,由此获得调整后的类别级物体检测器。
Jun, 2014
本文提出了一种利用普通物体跟踪器在大规模未标记的汽车环境视频中进行物体挖掘的方法,并展示了超过 36 万个自动挖掘的物体轨迹,并提出了一种自动发现新类别和学习检测器的方法。此外,我们还展示了利用挖掘轨迹进行目标检测器适应的初步结果。
Sep, 2018
本文探索使用未标注的视频序列自动生成未知类别对象的训练数据,介绍了一种基于贝叶斯方法的自动创建训练集的方法,并通过实验证明其能够显著提高分割未知类别对象的性能,从而可以利用丰富的互联网视频实现开放世界的实例分割。
该篇论文提出了一种从未加工过的视频中学习图像表示的方法,该方法将来自现成物体检测器的监督损失和自我监督损失相结合,取得了在 19 个迁移学习任务中有竞争力的结果,其中包括 18/19 的少样本学习任务和 8/8 的数据集泛化任务。
Oct, 2020
本文提出了一种基于实例到轨迹匹配的外观嵌入学习方法,可以处理在线多目标跟踪问题,该方法可以进行半监督学习,并且在多个数据集上都表现出了更好的性能。
Jul, 2021