IJCAIMar, 2017

基于自适应课程学习的弱监督目标检测中的显著性检测

PDF
TL;DR本文提出一种利用自我学习课程计划的方法，通过显著性检测将其应用于弱监督目标检测 (WOD) 任务中，从而逐渐实现对于从易到难的多类物品的忠实知识，并取得了最先进的弱监督物体检测结果。
weakly-supervised object detectionsaliency detectionself-paced curriculum learningmulti-class objectsstate-of-the-art
发现论文，激发创造
  • 基于显著性引导的弱监督物体检测的端到端学习

    本文主要研究弱监督物体检测（WSOD）中缺乏位置监督的问题，并将显著性集成到深度网络中，对高置信对象提出类别特定的显著性，这些特定的位置信息、语义信息和显著信息来显式监督网络，并通过预测网络隐式地指导本地化过程，实现了端到端的训练，实验结果表明，我们的方法优于所有最先进的方法。

    Jun, 2017

  • 弱监督物体检测的对比学习目标发现

    本文提出了一种名为 object discovery 的多实例标注方法以及一种名为 weakly supervised contrastive loss（WSCL）的新对比损失函数用于针对 WSOD 任务，取得了在 MS-COCO2014/2017 和 PASCAL VOC2012 数据集上的最新最好结果，以及在 PASCAL VOC2007 上的竞争结果。

    Aug, 2022

  • 综合关注自我蒸馏用于弱监督物体检测

    Comprehensive Attention Self-Distillation (CASD) is a new training approach for Weakly Supervised Object Detection (WSOD) that enables consistent object detection across different transformations of the same images by computing comprehensive attention and conducting self-distillation on the WSOD networks.

    Oct, 2020

  • 利用弱监督物体检测中的不稳定性

    提出了一种以多个检测分支为基础的弱监督物体检测方法，通过不同的初始化方式来利用不稳定性从而提高性能，在 PASCAL VOC 基准测试中达到了最新的最优性能表现。

    Jun, 2019

  • 弱监督开放词汇物体检测

    提出了一种弱监督开放式词汇目标检测（WSOVOD）框架，扩展了传统的弱监督目标检测方法，实现了对新概念的检测和仅使用图像级别标注的多样数据集的利用。

    Dec, 2023

  • 弱监督目标检测中的监督恢复

    本研究提出了一个框架，名为 SoS，旨在利用 WSOD 的潜在监督信号，其中包括图像级标签、伪标签和半监督物体检测。在实验中，SoS-WSOD 方法在 VOC2007，VOC2012 和 MS-COCO 上取得了显著的改进和较高的性能，并且具有快速推断速度。

    Jun, 2021

  • PCL: 弱监督目标检测的提议聚类学习

    本文提出了一种新颖的深度网络用于弱监督目标检测，通过生成提案聚类来学习精细的实例分类器，能够有效防止网络过度关注物体部分而不是整体，实验表明该方法明显优于现有技术。

    Jul, 2018

  • WSOD^2：学习自下而上和自上而下的目标重要性提取技术用于弱监督目标检测

    本文介绍一种新型的弱监督目标检测框架 WSOD^2，该框架通过联合考虑低层测量，CNN 置信度和自适应线性组合来确定多个回归目标，并通过区域提议学习来逼近回归目标，最终取得了最先进的结果。

    Sep, 2019

  • 弱监督目标检测中的物体感知实例标注

    本文提出更有效的实例标记方法，利用上下文分类损失方法解决物体部分区域被错误标记的问题并通过空间限制标记负对象，应用于 PASCAL VOC 2007 和 2012 数据集进行训练，在弱监督物体检测领域取得了一定的突破。

    Aug, 2019

  • HUWSOD: 统一弱监督目标检测的全面自学习

    本文介绍了一种统一的，高容量的弱监督目标检测网络 HUWSOD，它利用了一个全面的自我训练框架，在不需要外部模块或额外监督的情况下生成候选区域。HUWSOD 创新性地结合了自我监督的候选生成器和自编码器候选生成器，以及多速率重采样金字塔，取代了传统的目标候选提案，实现了端到端的弱监督目标检测训练和推断。另外，我们实现了一个整体的自我训练方案，通过逐步熵最小化和一致性约束正则化来完善检测得分和坐标，确保在同一图像的随机增强中得出一致的预测。基于对 PASCAL VOC 和 MS COCO 的广泛实验证明，HUWSOD 与最先进的弱监督目标检测方法相媲美，消除了离线提案和额外数据的需求。HUWSOD 的最佳性能接近于完全监督的 Faster R-CNN。我们的研究结果还表明，虽然与精心设计的离线目标提案有明显差异，但随机初始化的框对于弱监督目标检测的训练是有效的。

    Jun, 2024