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
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
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
本论文提出一种通过端到端的方式联合训练多阶段模型来解决弱监督目标检测网络中的对象位置精确预测问题的方法,该方法引入了多例学习、包围框回归和分类损失引导的注意力模块等多种算法,实验结果表明该方法能够达到最佳的性能表现。
Nov, 2019
本文基于自适应学习的思想,针对目前对象检测的弱监督情况,提出了一种基于深度神经网络架构的自适应学习策略,并在 Pascal VOC 2007、Pascal VOC 2010 和 ILSVRC 2013 数据集上得到了最先进的实验结果。
May, 2016
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
该研究提出了一种实例感知和以上下文为中心的统一框架,采用实例感知自训练算法和可学习 Concrete DropBlock,同时设计了一种内存高效的顺序批次反向传播。该方法在 COCO、VOC2007 和 VOC2012 数据集上取得了最先进的结果,并且是第一个基于 ResNet 的研究,还进行了弱监督视频目标检测的基准测试。
Apr, 2020
该论文提出了一种弱监督课程学习流程,用于多标签对象识别、检测和语义分割的任务,其中包括四个阶段,包括训练图像的对象定位、筛选和融合对象实例、像素标注以及基于任务的网络训练,通过这种流程,实现了在 MS-COCO、PASCAL VOC 2007 和 PASCAL VOC 2012 数据集上进行多标签图像分类以及弱监督对象检测和语义分割的最新成果。
本文主要研究弱监督物体检测(WSOD)中缺乏位置监督的问题,并将显著性集成到深度网络中,对高置信对象提出类别特定的显著性,这些特定的位置信息、语义信息和显著信息来显式监督网络,并通过预测网络隐式地指导本地化过程,实现了端到端的训练,实验结果表明,我们的方法优于所有最先进的方法。
Jun, 2017