自主学习深度学习技术在弱监督目标检测中的应用

May, 2016

自主学习深度学习技术在弱监督目标检测中的应用

Self Paced Deep Learning for Weakly Supervised Object Detection

Enver Sangineto, Moin Nabi, Dubravko Culibrk, Nicu Sebe

TL;DR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。

Abstract

In a weakly-supervised scenario object detectors need to be trained using image-level annotation alone. Since bounding-box-level ground truth is not available, most of the solutions proposed so far are based on an iterative, Multiple Instance Learning framework in which the current classifier is used to select the highest-confidence boxes in each image, whic

weakly-supervised learning object detection self-paced learning deep learning state-of-the-art results

发现论文，激发创造

深度自学习用于弱监督目标定位

提出一种使用深度自我学习方法进行弱监督定位的实现，以获取可靠的正样本，并通过一个在线支持的样本收获方案去动态地选择最有信心的正样本以达到相互促进。

Apr, 2017

半监督自修正语义图像分割网络

本研究介绍了一种半监督框架，通过一个辅助模型和一个自我纠正模块，在只有一小部分完全有监督图像的基础上，使用具有目标边界框标签的图像和只有目标边界框标签的图像集（称为弱集），训练出高质量的语义分割模型，这种方法比传统大量完全有监督数据模型要求的标注工作量减少～7 倍。

Nov, 2018

利用自主学习提升历史文档中文本行检测（有标签缺失情况下）

该研究提出了一种自学习算法来提高光学字符识别系统中的文本行检测性能，利用自学习策略逐渐添加缺失标注的训练例子，通过将真实的边界框与伪边界框进行非极大值抑制的组合，在历史文档的两个数据集上显著提高了 YOLOv4 的平均精度。

Jan, 2022

弱监督深度检测网络

本文探讨探索深度卷积神经网络的力量，提出了一种弱监督的深度检测架构，该架构可以同时进行区域选择和分类，并使用图像分类器训练，从而比实现图像级分类任务的标准数据增强和微调技术更好地学习目标探测器。

Nov, 2015

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

弱监督目标检测的协作学习

本文提出了一个简单而有效的弱监督协作学习框架，旨在解决在弱监督目标检测中经常出现的标注准确性与模型准确性之间的矛盾，并在 PASCAL VOC 2007 和 2012 数据集上进行了广泛的实验证明了其有效性。

Feb, 2018

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

通过有选择的自监督自训练来改进物体检测

本文介绍了一种使用网络图像来扩充人为筛选的物体检测数据集的方法，通过图像匹配来检索网络图像，提出了一种新的学习方法，以获取正和负的边界框的监督信号，从而提高了检测结果。

Jul, 2020

弱监督级联卷积网络

本研究提出了基于级联卷积神经网络的两种体系结构，旨在解决在没有昂贵人工注释下进行的弱监督下的目标检测问题，第一阶段从全卷积神经网络中提取类特定区域提议的最佳候选项，在三阶段体系结构中，中间阶段通过第一阶段的激活映射来提供物体分割。这些体系结构在弱监督目标检测，分类和定位领域的实验中表现出了改进。

Nov, 2016