弱监督的物体边界

Nov, 2015

Weakly Supervised Object Boundaries

Anna Khoreva, Rodrigo Benenson, Mohamed Omran, Matthias Hein, Bernt Schiele

TL;DR本文提出了一项弱监督技术用于生成边界检测的标注，仅使用边界框的标注数据即可在目标边界检测任务中达到高性能。该方法在边界检测任务上表现优于当前最先进的完全监督方法。

Abstract

State-of-the-art learning based boundary detection methods require extensive training data. Since labelling object boundaries is one of the most expensive types of annotations, there is a need to relax the requirement to carefully annotate images to make both the training more affordab

boundary detection learning-based methods weak supervision object annotations bounding box

发现论文，激发创造

简单有效：弱监督实例和语义分割

本文提出了一种无需修改分割训练过程的弱监督训练方法，通过精心设计给定边界框的输入标签，经过单一训练循环即可达到先前算法的弱监督结果并能够抵达完全监督模型的约 95% 的语义标注和实例分割质量。

Mar, 2016

面向精确的端到端弱监督物体检测网络

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

基于分割协作的弱监督目标检测

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

弱监督视频显著目标检测

本文提出了基于新型弱标注的视频显著目标检测模型，并使用外观运动融合模块和双向 ConvLSTM 框架来实现有效的多模态学习和长期时序建模，还设计了一种前景背景相似度损失和一种弱标注增强策略，以提高模型性能和伪标签生成技术。在六个基准视频显著性检测数据集上的实验结果证明了我们方案的有效性。

Apr, 2021

读取、查看和检测：从图像 - 标题对中标注边界框

本文提出一种使用图像标题对来进行弱监督的目标检测和短语定位的方法，并利用视觉语言（VL）模型和自监督视觉变压器（ViTs）进行实验，取得了较好的结果。

Jun, 2023

遥感图像中的弱半监督目标检测

利用弱监督的深度学习模型和少量边界框标记图像，可以在遥感图像中检测物体，从而减少对边界框标记的依赖，提高模型性能。

Nov, 2023

通过排序进行迁移学习以进行弱监督目标注释

本文提出一种基于转移学习的自动标注目标物体位置模型，可有效在缺乏繁琐手动标注的情况下对目标物体进行定位，取得优于目前同类方法的表现。

May, 2017

基于活动的弱监督目标检测

我们的研究工作在弱监督目标检测方面尝试利用不仅仅是物体类别标签，还使用数据中关联的动作标签；我们发现图像 / 视频中描绘的动作可以为相关物体的位置提供强烈的线索，并利用动作学习了一个与物体相关的空间先验，并将其融入到联合目标检测和动作分类模型中进行同时训练。我们在视频数据集和图像数据集上进行了实验来评估我们的弱监督目标检测模型的性能，结果表明，在 Charades 视频数据集上，我们的方法在 mAP 上比当前最先进的方法提高了 6% 以上。

Apr, 2019

大规模物体检测 —— 无需细粒度边界框检测 11K 类

本研究提出了一种半监督方法，只需要较少数量的粗粒度类别的边界框注释和大规模细粒度类别的图像级标签，即可实现接近完全监督检测的所有类别的检测精度，包括了使用共享骨干，基于软注意力的候选建议重排和双级存储器模块的相关性。实验证明，这种方法在 ImageNet 和 OpenImages 这两个大规模数据集上，只有少部分类别进行完全注释就能够接近最先进的全监督方法。

Aug, 2019

使用字幕的开放词汇物体检测

本文提出了一种称为开放词汇物体检测的新型物体检测问题，利用有限数量的物体分类边界框注释和图像 - 标题对来训练物体检测器，可以在更低的成本下覆盖更广泛的物体范围，成功地解决了物体检测中监督要求高的问题，并且更具实用性和效率，可以检测和定位那些未在训练过程中提供边界框注释的物体，无监督和零样本方法都无法做到如此高的准确性。

Nov, 2020