无监督学习边缘
边缘检测是计算机视觉各种任务中的一项基本技术,本文提出了一种新的自我监督方法用于边缘检测,通过多级、多同态变换技术将注释从合成数据集转移到真实世界数据集,并开发了 SuperEdge 模型,可同时在像素级和对象级粒度上提取边缘,相较于现有的 STEedge 方法,在 BIPEDv2 数据集上展示了 ODS 和 OIS 方面分别提高了 4.9% 和 3.3% 的边缘检测改进。
Jan, 2024
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
本研究致力于解决视觉数据无监督学习中的目标检测问题,使用包含深度神经网络的学生路径来训练模型,该模型可以在测试时明显优于无监督视频发现教师,并在 YouTube 视频数据集和目标发现数据集等基准测试中取得了最先进的结果,测试时比其他方法至少快两个数量级。
Mar, 2017
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
本文提出了基于光流和边缘线索的新型显着性估计技术和新型邻域图,用于解决快速运动,运动模糊和遮挡等视频分割的挑战,在 DAVIS,SegTrack v2 和 FBMS-59 数据集中取得了超越深度学习方法的最新成果。
Sep, 2018
提出了一种无监督学习方法,基于 Siamese 相关滤波网络,在前向追踪和反向追溯之间进行一致性测量来训练视觉跟踪器,并提出了多帧验证方案和一种成本敏感的损失来促进无监督学习,该方法在速度上达到实时水平,在不使用昂贵标记数据的情况下,实现与现有标准跟踪器相当的准确度,而且在使用更多未标记或弱标记数据的情况下,该方法有进一步提高跟踪精度的潜力。
Jul, 2020
该论文提出了一种无监督视觉跟踪方法,使用 CNN 模型和监督学习相反,采用大规模未标记视频进行无监督训练,采用多帧验证方法和成本敏感损失来促进无监督学习,取得了与完全监督追踪器相当的基准精度,同时展示了利用未标记或弱标记数据进一步提高跟踪精度的潜力。
Apr, 2019
通过时态图神经网络的半监督学习,利用大量未标注的点云视频进行 3D 物体探测,实现了比基线和同等标记数据下的最新检测性能更好的检测,关键词:3D 物体探测;半监督学习;时态图神经网络;未标注数据;最新检测性能。
Feb, 2022