基于深度特征的判别定位学习
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
本文介绍了一种基于深度学习的图像识别方法,利用所提出的 “纵向最大平均池化层”(LENA)来预测和定位网络传播的图像或视频,并在两个公共数据库上的实验中取得了优越的表现。
Mar, 2017
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
本文提出了一种新方法进行实例级别的图像检索,通过聚合多个基于区域的描述符为每个图像生成全局紧凑的固定长度表示,该方法基于一个特定图像检索任务训练的深度架构,利用排序框架来学习卷积和投影权重,并采用区域建议网络来学习应汇集哪些区域以形成最终的全局描述符。
Apr, 2016
通过两种不同的学习模式来探究通过特征定位的方式学习到的特征,在医学和自然数据集上的分析表明了层级学习策略的优越性,本研究显示级联学习是一种有前景的区域预测方法,并在 YOLO 目标检测框架上显示出比端到端方案提升了 2% 的 mAP。
Nov, 2023
本文提供了一种改进的技术,用于弱监督目标定位,通过数据增强和卷积神经网络的学习优化,与当前最先进的技术相比,可以将 Top-1 的定位准确性提高 21.4% 至 37.3%。
Feb, 2018
本文提出一种用于同时实现像素级别本地化和仅具有图像级别标签的图像级别分类的全卷积网络训练的全局加权平均池化方法并探讨了其在对象识别中的应用,提出了类特定和类不可知的 GWAP 模块构成的多任务框架,结果表明此框架可以使用仅具有图像级别标签的数据来改进对象检测模型的推广能力。
Sep, 2018