通过排序进行迁移学习以进行弱监督目标注释
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
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
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
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
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
本文提出一种基于弱监督学习的目标检测和检索方法,通过对视频进行自然主体提取,使用对比采样处理背景拒绝,使用聚类评分算法解决高噪声标签问题,针对 11 个手动标注目标在 5000 帧中的评估结果与弱监督方法进行比较并提供上限参考。
May, 2019
我们的研究工作在弱监督目标检测方面尝试利用不仅仅是物体类别标签,还使用数据中关联的动作标签;我们发现图像 / 视频中描绘的动作可以为相关物体的位置提供强烈的线索,并利用动作学习了一个与物体相关的空间先验,并将其融入到联合目标检测和动作分类模型中进行同时训练。我们在视频数据集和图像数据集上进行了实验来评估我们的弱监督目标检测模型的性能,结果表明,在 Charades 视频数据集上,我们的方法在 mAP 上比当前最先进的方法提高了 6% 以上。
Apr, 2019
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
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