CVPRFeb, 2016

不需要边界框：仅使用人工验证来训练物体类别检测器

PDF
TL;DR通过提出一种仅需要验证自动产生的边界框的方案来训练目标类检测器，这种方案可以通过反复训练检测器、在训练图像中重新定位对象并进行人类验证，从而使用验证信号来改善重新训练和减少重新定位的搜索空间。实验表明，采用人类验证更新检测器和减少搜索空间可以迅速产生高质量的边界框注释，而且与完全监督的检测器相比，可以在不绘制任何边界框的情况下提供几乎同样好的性能。
发现论文，激发创造
  • 使用点击监督训练目标分类器

    本文提出了一种通过点击目标物体的中心点来标注边界框的标注方法，结合现有的弱监督目标定位技术，可在所有训练图像上联合定位目标边界框，与传统手动标注方法类似的定位出高质量目标检测器，标注时间可减少 9-18 倍。

    Apr, 2017

  • 面向具有噪声标注的抗噪声目标检测

    本文提出了一种训练目标检测器的框架，该框架可以处理含有混合标签噪声和边界框噪声的嘈杂标注数据，并通过交替噪声校正和模型训练来共同优化目标标签、边界框坐标和模型参数，其方法通过执行两个步骤来分离标签噪声和边界框噪声，并在 PASCAL VOC 和 MS-COCO 数据集上获得了良好的实验效果。

    Mar, 2020

  • 为边界框注释学习智能对话

    本文介绍了智能标注对话框，其利用强化学习训练智能代理，自动为人工标记者选择一系列最小化时间的操作序列，通过验证生成的边界框和手动绘制边界框来对图像目标进行标注，在实验中取得了比手动标注和盒验证更快的效果。

    Dec, 2017

  • 带伪边界框标签的开放词汇目标检测

    本研究提出一种方法，从大规模图像 - 字幕对中自动生成多样物体的伪包围框注释，以扩大训练基础类别的范围，并通过实验证明该方法在各种数据集上比最先进的开放词汇检测器有更好的检测结果。

    Nov, 2021

  • 跟踪与传递：通过观看视频模拟强人类监督以进行弱监督目标检测

    该论文介绍了一种利用弱标记视频中的跟踪对象框传输到弱标记图像中生成伪 Ground Truth 框的框架，用以训练对象检测器，该方法包括从弱标记图像集合中挖掘分辨率区域以形成伪 GT 框，然后设计霍夫变换算法对每个图像投票以选择最佳盒子，目前已在 PASCAL 2007 和 2010 数据集上实现了最先进的弱监督检测结果。

    Apr, 2016

  • 自主学习深度学习技术在弱监督目标检测中的应用

    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

  • BoxSup: 利用边界框监督卷积神经网络进行语义分割

    本文提出了一种名为 BoxSup 的方法，通过利用 bounding box annotations 代替 human-annotated, pixel-level segmentation masks 来训练卷积网络，循环生成 region proposals 和训练卷积网络来恢复分割掩模和提高网络的准确性。这个方法在 PASCAL VOC 2012 和 PASCAL-CONTEXT 上取得了 state-of-the-art 的结果。

    Mar, 2015

  • 弱监督的物体边界

    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。

    Nov, 2015

  • 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

  • 利用预训练的 3D 物体检测模型实现快速标签生成

    本文介绍了一种新的标注方法，将人类监督与预训练的神经网络相结合，生成每个实例的三维点云分割，三维边界框和类别注释，以减少训练自动驾驶的 3D 物体检测器所需的任务复杂性和注释人员所需的任务切换量，实验结果表明，该方法相比传统方法减少了 30 倍人工标注时间。

    Jul, 2018