利用网络图像进行数据集构建：一种领域鲁棒的方法

Nov, 2016

利用网络图像进行数据集构建：一种领域鲁棒的方法

Exploiting Web Images for Dataset Construction: A Domain Robust Approach

Yazhou Yao, Jian Zhang, Fumin Shen, Xiansheng Hua, Jingsong Xu...

TL;DR本论文提出了一种基于多实例学习和切平面算法的图像数据集构建框架，可以有效应对数据集偏见问题，提高数据集的领域适应性，并通过广泛实验验证了该方法的有效性。

Abstract

Labelled image datasets have played a critical role in high-level image understanding. However, the process of manual labelling is both time-consuming and labor intensive. To reduce the cost of manual labelling, there has been increased research interest in automatically constructing image datasets by exploiting web images. Datasets constructed by existing m

image dataset construction dataset bias problem multi-instance learning cutting-plane algorithm domain robustness

发现论文，激发创造

从互联网提取视觉知识：理解图像数据

本研究针对视觉识别技术中的特征表示、学习算法和标记的训练数据进行了探究，提出了一种基于网络监督的自动图像数据生成方法，以实现对大量视觉概念的高效训练和识别。在 Pascal VOC 2007 数据集上对该方法进行了测试，并取得了明显的优越性能。

Jun, 2019

基于数据驱动的元集合细粒度视觉分类

通过学习元数据集并应用数据驱动的元集合方法，我们可以解决使用网络图像进行细粒度图像识别时带有标签噪声的问题，并且相比于现有噪声鲁棒性方法，我们的方法要优越得多。

Aug, 2020

CurriculumNet: 大规模网络图像弱监督学习

该论文提出了一种基于课程学习的弱监督学习方法，通过对大规模网络图像数据进行无人工标注的深度神经网络训练，实现对大量噪声数据和数据分布不均等问题的有效处理和噪声标签的负面影响的显著降低，构建一种新的课程学习架构，使得使用高噪声标签的图像作为一种正则化策略可以惊人地提高模型的泛化能力，在 WebVision、ImageNet、Clothing-1M 和 Food-101 等四个基准测试中取得了最先进的性能，多模型集成的结果在 1000 种类别分类中取得了 5.2% 的 top-5 错误率，相对误差率超过 50%。

Aug, 2018

群体参与：一种弱监督深度学习框架用于从 Web 数据中学习

本文介绍了一种鲁棒性强的、端到端的深度弱监督学习框架，该框架通过随机分组和注意力机制来有效减少 Web 图片注释的负面影响，实现了对嘈杂标签的有效抑制和准确图像标注，实验证明了该方法的卓越性能。

Nov, 2016

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

WEDGE: 基于 Web 图像辅助的领域泛化语义分割

本文提出了一个 WEb-image assisted Domain GEneralization (WEDGE) 方案，利用网络爬取的数据集进行语义分割的域泛化，将网络爬取的数据代表的样式表达引入源域，通过有效训练使网络经历不同风格的图像，通过使用带有伪标签的网络爬取数据集训练可以进一步提高网络的能力，并通过广泛的实验表明，该方法明显优于现有的域泛化技术。

Sep, 2021

基于课程领域自适应的城市场景语义分割方法

在城市场景语义分割中，我们提出一种课程学习的方法来尽可能减小真实和合成数据之间的差距。该方法采用先易后难的策略，对全局标签分布和本地超像素标签分布进行先验知识的推断，并在此基础上训练语义分割网络。在两个数据集和两种 Backbone 网络上，我们的方法表现优于基线，并且进行了广泛的实验研究。

Dec, 2018

城市场景语义分割的课程域自适应

本论文介绍一种基于课程式学习（curriculum-style learning）的方法，通过学习全局标签分布和局部分布来缓解城市风景语义分割中真实图像和合成数据之间的领域差异，并在两个数据集和两个骨干网络上的实验中表现优异。

Jul, 2017

WebSeg：从网络搜索中学习语义分割

本文提出一种能够无需依赖显式用户注释的 Flickr 图像，通过利用一些低级线索（如显著性、边缘等）生成代理标签，并使用在线标签噪声过滤辅助模块来帮助协助分割网络学习更干净的代理注释进行语义分割。在 PASCAL VOC 2012 语义分割基准测试中，该算法表现出色，WebSeg (mIoU = 57.0%) 和弱监督 (mIoU = 63.3%) 的设置。

Mar, 2018

受导引的基于开放词汇的图像描述生成与约束束搜索

使用约束束搜索的方法和固定的预训练词嵌入，使得现有的深度图像描述模型能够利用图像标签器在测试阶段进行标注，从而实现新颖场景或对象的图像生成。该方法的结果表明了它在 MSCOCO 上获得了良好的表现，甚至优于采用相同标签预测的学习算法。同时，我们还证明了我们可以通过利用 ground-truth 标签来显着提高生成的 ImageNet 标题的质量。

Dec, 2016