ICCVMar, 2017

利用物和景迁移进行弱监督目标定位

PDF
TL;DR该研究论文提出了一种通过迁移学习从有标注的源数据集中获取知识并将其用于弱监督物体定位的方法，使用多实例学习框架将这些知识从像素级别传播到目标提案级别，并在三个目标数据集上进行了广泛的实验验证。
weakly supervised object localizationtransfer learningmultiple instance learningpascal context datasetilsvrc
发现论文，激发创造
  • 弱监督目标定位的逐对相似度知识转移

    本研究旨在通过使用一个完全标注的源数据集，研究使用仅弱标注的图像标签来学习定位模型的问题，并提出了一种基于类内成对相似度函数的新方法来代替过去使用的仅学习物体性分数的弱知识转移方法。通过在 COCO 和 ILSVRC 2013 检测数据集上的实验，我们展示了该方法的有效性。

    Mar, 2020

  • 重新审视知识转移在训练对象分类器中的作用

    本文提出了一种基于知识迁移的新型目标检测算法，基于训练一个单一的多类目标检测器，可以实现在语义层次结构中的所有源类上训练。该技术可以应用于多个数据集，并且在 ILSVRC 2013 检测数据集上已经成功实现了目标检测领域的业界新纪录。

    Aug, 2017

  • COCO-Stuff: 上下文中的物品和杂物类别

    介绍了 COCA-Stuff 数据集，在该数据集上进行了语义分割，实验表明，在上下文中理解物体和物质是非常必要的，而利用 stuff 类进行上下文分析比使用 thing 类更为有效。

    Dec, 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

  • 大规模半监督目标检测的视觉和语义知识迁移

    基于深度卷积神经网络的物体检测系统在许多大规模物体检测基准测试中取得了显着成就，然而，这需要大量的标注边界框来进行训练。本文通过将图像级别分类器转化为物体检测器解决了此问题，并利用来自视觉和语义领域的物体相似性知识，在将分类器转换为没有边界框注释的类别时转移此信息。实验结果表明，我们提出的基于物体相似性的知识转移方法在半监督设置下实现了最先进的检测性能。

    Jan, 2018

  • 自迁移学习用于全弱监督目标定位

    本文主要研究深度学习在对象定位领域中的应用以及如何借助弱监督学习方法实现对象定位，特别关注了在医学图像分析中如何利用 self-transfer learning 方法来解决没有预先训练模型的情况。

    Feb, 2016

  • 具有鲁棒性物体置信度转移的混合监督目标检测

    探讨通过利用现有完全标注的类别为弱监督检测中的新物体类别提升检测效果，并提出了一种更加合理和稳健的物体性转移方法，在 ILSVRC2013 和 PASCAL VOC 数据集上表现优异。

    Feb, 2018

  • 利用渐进式知识迁移提升弱监督目标检测

    本文提出了一种有效的知识转移框架，利用一个在类别上与目标领域不重叠的外部全注释源数据集，迭代地转移源域知识，通过一个单类通用探测器学习目标域的探测器，并从中挖掘每次迭代中目标域探测器挖掘的伪实例，有效提高了单类通用探测器，从而更全面地利用和利用源数据集的知识，该方法在弱监督目标检测领域内实现了先前未知的最佳效果。

    Jul, 2020

  • 弱监督和半监督全景分割

    这篇论文提出了一种弱监督的模型，能够同时执行语义分割和实例分割任务，并使用图像级别标签弱监督 “stuff” 类别的分割，以及使用边界框弱监督 “thing” 类别的分割。通过分析注释质量和预测性能之间的关系，可以对数据集的创建有所启示。

    Aug, 2018

  • 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