ICCVNov, 2015

利用深度强化学习进行主动物体定位

PDF
TL;DR提出了一种用于在场景中定位目标物体的主动检测模型，该模型是类特定的，并允许代理集中注意力于识别目标物体的候选区域，通过深度强化学习训练定位代理，并在 Pascal VOC 2007 数据集上评估，结果表明，使用该模型指导的代理能够在分析图像中仅仅探测 11 到 25 个区域后定位一个物体实例，并且在不使用物体提议进行物体定位的系统中取得了最佳的检测结果。
active detection modellocalizationdeep reinforcement learningobject detectionpascal voc
发现论文，激发创造
  • 深度强化学习目标检测

    本文介绍了一种基于深度强化学习的主动目标定位算法，比较了两种不同的决策过程方法：分层方法和动态方法，并进一步通过调整不同的超参数和架构变化对模型性能进行了消融研究。

    Aug, 2022

  • 基于概率建模的深度目标检测主动学习

    本文提出了一种基于混合密度网络的深度主动学习方法，该方法通过对定位和分类器的输出估计概率分布并明确估计模型的不确定性，使用一种特殊得分函数将这两种不确定性聚合在一起以获取每个图像的信息量分数，通过 PASCAL VOC 和 MS-COCO 数据集的实验证明了该方法在物体检测方面的有效性，性能优于单模型和多模型方法，而计算成本仅为之前方法的一小部分。

    Mar, 2021

  • 主动神经定位

    本文提出了一种名为【Active Neural Localizer】的全可微神经网络，结合传统基于滤波的定位方法的思想，以及策略模型，通过强化学习的训练，可以有效地在各种模拟环境中进行精确和高效的本地化定位。

    Jan, 2018

  • 深度检测神经网络的主动学习

    该论文提出了一种基于卷积神经网络的主动学习目标检测方法，使用新的图像级评分过程对未标记图像进行排序以进行自动选择，并针对不同情境（如视频或静态图像集）提出适应技巧，在行人检测任务中经过广泛研究，我们在实验中表明所提出的方法比随机选择表现更好。

    Nov, 2019

  • 深度神经网络自学目标定位

    介绍了一种新方法，利用深度卷积神经网络对整张图片进行训练，以在不额外进行人工监督的情况下定位图像中的物体，并将该思想嵌入凝聚聚类技术中，产生自学习定位假设。实验证明，使用我们的方法自动生成的注释可用于训练物体探测器，产生接近于手动注释的边界框的识别结果。

    Sep, 2014

  • 面向物体检测的定位感知主动学习

    本文介绍了两种度量目标假设信息量的度量方法：localization tightness 和 localization stability，这些方法可以使基于分类的主动学习算法更加有效地用于减少标注数据量以达到目标物体检测性能，实验结果表明，使用这些度量方法可以将所需标注数据量减少高达 25%。

    Jan, 2018

  • 深度目标检测主动学习

    本研究结合活性学习和增量学习的方法，提出一种基于不确定度的适用于大多数对象检测器的主动学习度量标准，并探讨在样本选择过程中如何解决类别不平衡问题，通过系统评估在 PASCAL VOC 2012 数据集上，实现对新未标注数据集的持续探索。

    Sep, 2018

  • 多阶段强化学习用于目标检测

    采用强化学习方法进行对象检测，采用预定义区域候选树、缩放操作和优化奖励函数等技术手段，实现更精准的物体边框配置。

    Oct, 2018

  • 端到端主动物体追踪及其通过强化学习实际部署

    本研究通过深度强化学习解决了目标跟踪和摄像头控制任务难以共同调整的问题，并在模拟器上训练的跟踪器表现出良好的泛化能力，且具备潜在的真实场景应用价值。

    Aug, 2018

  • 协作深度强化学习用于联合目标搜索

    本研究采用协作多智能体深度强化学习算法，通过交互检测目标间的上下文线索，实现联合主动目标本地化，并在多个对象检测基准上验证了该方法的性能提升及其揭示的可解释的共同检测模式。

    Feb, 2017