Feb, 2017

基于期望最大化算法的弱监督和半监督物体检测

PDF
TL;DR本研究使用深度卷积神经网络结合期望最大值方法解决仅提供图像级标签时的目标检测问题，在 PASCAL VOC 2007 基准测试集中，实验结果表明，我们的方法在弱监督下，较现有最先进方法有明显的性能优化，并且在使用少量实例标注图片的情况下，基本可以达到完全监督模型的检测表现。
object detectionimage-level labelsexpectation-maximizationconvolutional neural networkssemi-supervised
发现论文，激发创造
  • 基于 DCNN 的语义图像分割的弱 / 半监督学习

    作者提出一种针对弱监督和半监督学习条件下的语义图像分割模型训练的 Expectation-Maximization 方法，实验表明所提技术具有竞争性的成果，同时需求更少的标注工作量。

    Feb, 2015

  • 基于自下而上和自上而下的线索进行弱监督语义分割

    本研究提出一种使用 CNNs 结合基于期望最大化算法的弱监督方法来学习语义分割分类器的方法，并通过在简单图像上学习初始化和使用显著性和注意力地图来实现更好的结果，同时，研究也表明该方法无需使用精确像素级别标签，能在 PASCAL VOC 2012 数据集上保持高性能。

    Dec, 2016

  • 半监督肺癌筛查的深度期望最大化

    提出一种基于半监督学习和 3D 卷积神经网络的肺癌筛查算法，采用 Expectation-Maximization 元算法进行训练，通过交叉域的方法验证其模型性能，结果表明该算法能够极大地提高肺癌筛查的分类准确性，证明了半监督 EM 是改进 3D CNN 肺癌筛查模型准确性的一种有效技术。

    Oct, 2020

  • 基于弱监督学习的多证据过滤与融合方法用于多标签分类、目标检测和语义分割

    该论文提出了一种弱监督课程学习流程，用于多标签对象识别、检测和语义分割的任务，其中包括四个阶段，包括训练图像的对象定位、筛选和融合对象实例、像素标注以及基于任务的网络训练，通过这种流程，实现了在 MS-COCO、PASCAL VOC 2007 和 PASCAL VOC 2012 数据集上进行多标签图像分类以及弱监督对象检测和语义分割的最新成果。

    Feb, 2018

  • 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

  • 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

  • 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

  • 贝叶斯伪标签：期望最大化用于鲁棒和高效半监督分割

    本研究介绍了一种新的伪标记形式，作为期望最大化算法的清晰统计解释，并提出了一种基于原始伪标记的半监督医学图像分割方法 SegPL，证明了其在 2D 多类 MRI 脑肿瘤和 3D 二进制 CT 肺血管分割任务中的效力和可靠性。

    Aug, 2022

  • 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