May, 2017

弱监督目标分类和发现的深度补丁学习

PDF
TL;DR本文提出了一种基于弱监督的学习方法，通过将图像视为一个包中的实例将其融入到深度神经网络中，将弱监督的多实例学习约束与深度神经网络集成在一起，并采用端到端的方式优化网络以实现对象分类和发现任务。在 PASCAL VOC 数据集上的测试表明，该方法在对象分类方面可以获得最先进的性能，并且在对象发现方面也具有很强的竞争力，并且测试速度比竞争者更快。
patch-level image representationobject classificationweak supervisiondeep neural networksobject discovery
发现论文，激发创造
  • 弱监督语义分割：渐进式补丁学习

    本文提出了一种新的渐进式补丁学习方法来提高弱监督语义分割中的局部细节提取，进一步将特征破坏和补丁学习扩展到多级粒度，同时与多阶段优化策略相结合来提供模型对不同程度的特征提取能力。此方法超越了大多数现有的弱监督语义分割方法，在 PASCAL VOC 2012 数据集上取得了出色的表现。

    Sep, 2022

  • 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

  • 无监督发现中层有区分力的图案

    本文旨在发现一组具有判别性的补丁，用作完全无监督的中级视觉表示，通过对图像补丁数据集进行无监督聚类和训练判别分类器来证明其有效性，进而能用于许多任务中代替视觉单词，并且在 MIT Indoor-67 数据集上展示了其在场景分类等任务中的最新性能。

    May, 2012

  • 弱监督下的视觉模式配置发现

    本文提出了一种自动识别目标类别特有的视觉模式的方法，将其作为无监督目标检测的有益配置，从而实现更好的检测结果。

    Jun, 2014

  • 基于弱监督的 PatchNets：描述和聚合局部图像块进行场景识别

    本文提出了一种基于 PatchNet 模型与 VSAD 特征表达方法的图像场景识别混合表示方案，并在 MIT Indoor67 与 SUN397 两个基准数据集上取得了最新的最优性能结果。

    Sep, 2016

  • 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

  • PatchContrast：自监督预训练用于 3D 物体检测

    基于自主车辆的关键挑战是准确检测环境中的物体。我们引入 PatchContrast，这是一个创新的自我监督点云预训练框架，用于 3D 物体检测。通过提出两个抽象层次的利用，我们学习未标记数据的判别性表示：提案级别和补丁级别。提案级别旨在确定物体相对于周围环境的位置，而补丁级别增加了关于物体组件之间内部连接的信息，从而根据它们的独立组件区分不同的对象。我们展示了如何将这些级别集成到自我监督预训练中以增强下游的 3D 检测任务，并证明我们的方法在三个常用的 3D 检测数据集上优于现有的最先进模型。

    Aug, 2023

  • 利用深度 CNN 特征提取具有区分性元对象进行场景分类

    本研究介绍了一个基于深度 CNN 特征和区域提议技术的新型 pipeline，旨在从场景图像中提取判别性的视觉对象和局部区域进行分类，经过无监督和弱监督学习从大量高质量的 patches 中筛选出代表特定类别的判别性 objects 和 parts，并为相似 objects 和 parts 聚类形成 meta objects，该方法在两个流行的场景基准数据集上展现了领先水平。

    Oct, 2015

  • 利用边界框注释进行多标签物体识别

    本文提出了一种基于卷积神经网络的多视图多实例框架，用于提高物体检测中的特征表达和泛化能力，通过利用局部信息、弱标签和强标签有效地识别包含多个物体的多标签图像，实验结果表明该框架具有优异的鉴别力和泛化能力。

    Apr, 2015

  • 本地 - 全局自监督视觉表示学习

    本研究探索了将图像级别与局部级别的判别相结合的自我监督表示学习方法，通过同时观察局部和全局视觉特征来增强学习表示的质量。我们提出了一个简单而有效的补丁匹配算法，借助视觉变换器（ViT）作为骨干网络，从而生成图像级别和补丁级别的表示。结果显示，我们的方法在图像分类和下游任务中表现优于最先进的图像级别表示学习方法。

    Oct, 2023