ECCVSep, 2016

ContextLocNet: 上下文感知的弱监督本地化深度网络模型

PDF
TL;DR该研究利用图像级别监督，通过引入两种上下文感知的模型来实现目标在图像中的定位，加性模型和对比模型有助于定位目标的位置，在 Pascal VOC2007 和 2012 测试中表现出较好的效果。
object localizationimage-level supervisioncontext-aware modelsweakly supervised learningconvolutional neural networks
发现论文，激发创造
  • 使用深度特征图进行弱监督定位

    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

  • 弱监督目标定位的改进技术

    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

  • 目标检测的关注上下文

    通过开发一种名为 AC-CNN 的新型神经网络模型，将全局和局部上下文信息有效地结合到区域卷积神经网络中，提高了目标检测性能，特别是在 PASCAL VOC 2007 和 VOC 2012 数据集上，与目前主流的 Fast-RCNN 算法相比在 mAP 方面分别提高了 2.0％和 2.2％

    Mar, 2016

  • 基于深度特征的目标检测上下文模型

    本文提出了一种综合局部外观特征，对象关系的上下文信息和全局场景上下文特征的集合物体检测系统，该系统采用基于对象建议的完全连接条件随机场（CRF）进行建模，并利用快速平均场近似方法有效地进行 CRF 模型中的推理，实验结果表明，与基线算法 Faster R-CNN 相比，我们的方法在 PASCAL VOC 2007 数据集上实现了更高的平均精度（mAP）.

    Apr, 2016

  • 通过微注释提高弱监督目标定位的准确性

    本文提出了一种通过特定注释和深度网络中间表示的聚类与标签分配来改善弱监督下物体定位失败的方法，并在 ILSVC2014 和 PASCAL VOC2012 数据集上得到了显著改进的结果。

    May, 2016

  • 学习仅需最少监督的物体定位

    本论文提出了一种新方法，通过图像级标签，结合判别子模块覆盖问题和平滑的潜在 SVM 公式，实现仅需很少的监督，即可学习定位对象。实验表明，该方法在 PASCAL VOC 2007 检测中，相对于现有技术有 50％的平均精确度提升。

    Mar, 2014

  • 全局与局部的结合：基于类别感知弱监督的有效多标签图像分类

    该研究构建了一个统一框架，以执行有效的噪声提议抑制并相互作用全局和局部特征进行稳健的特征学习，包括使用类别感知弱监督来集中注意力于不存在的类别为本地特征学习提供确定性信息，以及开发跨粒度注意力模块来探索全局和局部特征之间的互补信息。在 MS-COCO 和 VOC 2007 两个大规模数据集上的广泛实验表明，该框架优于最先进的方法。

    Nov, 2022

  • 多层多实例弱监督目标定位

    本文介绍了一种采用多实例学习方法、利用二进制标签训练目标探测器并推断正样本中物体的位置的弱监督学习方法，旨在解决目标分类定位问题，同时提出了一种多因素多实例学习流程和窗口细化方法，将之应用于高维特征，例如 Fisher 向量和卷积神经网络特征，并在使用 PASCAL VOC 2007 测试集进行实验验证其有效性。

    Mar, 2015

  • 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

  • LocNet: 提高物体检测的定位精度

    本文介绍了一种基于概率的新型物体定位方法，通过在搜索区域中分配条件概率来实现物体边界框的精确推断，实验证明该方法可以显著提高目标检测性能，并且可以与现有的物体检测系统很容易地集成使用。

    Nov, 2015