Nov, 2016

利用渐进隐变量模型的自学习场景特定行人检测器

HTML
PDF
TL;DR本文提出了一种基于自学习的方法，用于解决针对场景的行人检测问题，避免人类注释。该方法采用渐进式的目标发现、目标加强和标签传播步骤，其中使用渐进潜在模型来解决每个帧中的目标定位问题，并结合空间正则化和基于图的标签传播来改善定位和发现更难的实例。实验结果表明，即使没有标注，提出的自学习方法优于弱监督学习方法，同时与迁移学习和全面监督学习方法实现了可比较的性能。
发现论文，激发创造
  • 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

  • 自学摄影机：针对未标记视频流的目标检测器的自主适应

    本文提出了一种适用于移动摄像头、自适应于不同数据源的无监督多任务自学习算法，通过结合性地学习实例级追踪器，由此获得调整后的类别级物体检测器。

    Jun, 2014

  • 行人检测问题距离解决还有多远？

    该研究探究了行人检测领域当前最先进的方法和“完美的单帧检测器”的差距，并通过创建行人检测的人类基线和手动聚类来对其进行分析。通过研究检测器的训练注释噪声对检测器性能的影响，以及研究卷积神经网络用于行人检测时影响其性能的因素，该研究提出了改进方法，并在 Caltech 数据集上取得了最佳性能。

    Feb, 2016

  • 人机合作：自监督样本挖掘的目标检测

    该论文提出了一种基于自监督样本挖掘（SSM）过程的主动学习（AL）框架，针对目标检测中的真实挑战，通过自动发现和伪标记可靠的区域提案来增强目标检测器，逐步将未标注或部分标注的数据纳入模型学习中，同时最大限度地减少用户的注释工作。对两个公共基准的广泛实验清楚地表明，该框架可以实现与最先进方法可比较的性能，并显著减少注释次数。

    Mar, 2018

  • 弱监督目标检测的最小熵潜变量模型

    本文提出了一种用于弱监督目标检测的MELM模型，其中使用最小熵作为模型并在学习期间度量目标定位的随机性，通过提出团簇分区、对象簇发现和对象定位三个组件进行优化，利用循环学习算法进行优化，在弱监督目标检测、弱监督目标定位和图像分类方面较现有方法显著提高表现。

    Feb, 2019

  • 利用自我训练实现目标检测器对新领域的自动适应

    本文提出了一种基于未标注视频数据的无监督目标检测器自适应方法，该方法利用现有检测器的高置信度检测结果和跟踪器获取时序提示来自动获取目标数据标签，然后通过修改知识蒸馏损失函数和软标签的分配方法进行重新训练，实验结果表明该方法恰当地利用了追踪获取的困难样本，使用蒸馏损失函数的软标签优于硬标签，是一种简单且不依赖超参数的有效无监督目标检测器自适应方法。

    Apr, 2019

  • 一般化行人检测：房间里的大象

    本研究通过直接的跨数据集评估的一般性原则，发现了现有最先进的行人检测器在跨数据集评估中通常表现不佳，主要因为其设计可能偏向传统的单数据集训练测试流程中的流行基准，而训练数据源不够密集和多样化。此外，本文提出了一条渐进的培训流水线，可以明显地提高与自动驾驶相关的行人检测的性能。

    Mar, 2020

  • VLPD: 通过视觉语义自监督实现上下文感知的行人检测

    本论文提出了一种基于视觉语言自监督学习的上下文感知行人检测方法 (VLPD)，采用自生成的显式语义类标签来学习语义分割和行人检测任务，并提出了自我监督原形语义对比学习方法来更好地判别行人和其他分类，并在流行的基准数据集上进行了广泛的实验，证明了我们提出的 VLPD 在小尺度和重度遮挡等挑战性情况下均具有优越的性能。

    Apr, 2023

  • 使用自监督 Transformer 进行多目标定位的目标发现

    本文提出了使用自监督学习训练的Transformer网络定位多个物体的方法MOST，并通过分形分析检测出前景补丁上的代币，将代币聚类生成边界框，最终在PASCAL-VOC 07、12和COCO20k数据集上表现优于其他方法，同时表明MOST可以用于目标检测的自监督预训练，并在全、半监督目标检测和非监督区域提议生成方面获得一致的改进。

    Apr, 2023

  • 面向可泛化人工智能的无标注多视角三维行人检测：技术和性能分析

    利用通用化人工智能改进无标签目标场景的多视角3D行人检测，通过使用未经训练的检测器的自动标注方法，可以获得比直接使用未经训练检测器或使用现有标记的源数据集训练的检测器更好的结果。在使用WILDTRACK和MultiviewX作为目标数据集时，MODA比现有的无标签方法分别提高了4%和1%。

    Aug, 2023