IJCAIJul, 2017

通过深度描述符转换实现的无监督物体发现和共定位

PDF
TL;DR本文聚焦于预训练深度卷积神经网络模型的可重复使用性，提出了一种称为 Deep Descriptor Transforming (DDT) 的方法，可以准确定位一组未标记图像中的共同对象，具有良好的泛化性和稳健性，并可用于收集 Web 图像作为有效的外部数据源，以提高图像识别和目标检测的性能。
pre-trained deep convolutional modelsdeep descriptor transforming (ddt)unsupervised object discoveryimage co-localizationweb images
发现论文，激发创造
  • 深度描述符转换用于图像共定位

    本文提出了一种名为 Deep Descriptor Transforming (DDT) 的方法，通过对前馈模型的卷积层输出进行研究，实现对共同物体的定位，从而提升图像共定位问题的效率和精度。实验结果表明，近期方法 DTT 相较于其他同类方法，有更高的鲁棒性和泛化能力。

    May, 2017

  • 深度卷积神经网络中的零件检测器发现

    本文提出了一种基于预训练卷积神经网络的物体部位发现和定位方法 PDD，通过分析网络输出的梯度映射并找到与语义部分或边界框有空间关系的激活中心，实现对 CUB200-2011 数据集进行优秀的监测和分类性能，同时不需要在测试期间给定边界框或计算真假部分。

    Nov, 2014

  • 使用轨迹池化深度卷积描述符的动作识别

    本文提出一种新的视频表示方法 TDD，通过利用深度卷积特征和轨迹约束池化来学习生成自动化的高度区分性的特征描述符，通过归一化方法来提高 TDD 鲁棒性，实验结果表明 TDD 优于之前使用的手工制作和深度学习的特征方法在动作识别方面的性能。

    May, 2015

  • HDD-Net：混合检测器描述符和相互交互学习

    本研究提出了一种局部特征提取的方法，将检测器和描述子两个步骤互相独立，并关注它们在学习过程中的交互。该方法使用了一种新型的检测器优化技术和多尺度方法提取图像的局部特征，并在各项基准测试中显示出了比现有技术更好的性能。

    May, 2020

  • 解耦稠密物体检测器

    研究了密集目标检测器中存在的三个集合问题，提出了一种基于简单有效的解耦机制的新型密集物体检测器，通过在 MS COCO 基准测试上的大量实验证明其可以取得的最先进性能。

    Jul, 2021

  • DetCo: 无监督对比学习物体检测

    DetCo 是一种创新的对比学习方法，通过充分探索全局图像和局部图像补丁之间的对比，学习有助于目标检测的判别性表示，实验表明其不仅在目标检测方面优于现有方法，在分割，姿态估计和三维形状预测方面也显著优于监督方法。

    Feb, 2021

  • 深度卷积特征聚合的图像检索

    本文通过对局部卷积神经网络特征进行聚合研究，提出一种基于简单加总池化的高效图像检索方法，取得了显著提升的效果。

    Oct, 2015

  • 使用深度卷积神经网络进行多视角人脸检测

    本文提出了一种基于卷积神经网络的 Deep Dense Face Detector (DDFD) 方法，不仅不需要姿态或者地标注释，而且能够探测多个视角下人脸的位置，并且表现出与其他方法相当或优于其他更为复杂的方法。

    Feb, 2015

  • 协同描述符：卷积映射进行预处理

    本研究提出了一种协同描述符的新概念，通过使用卷积地图作为手工特征的输入，我们达到了深度学习和手工特征之间的协作。实验结果表明，在多类目标识别和汽车检测方面，性能分别提高了 17.06％和 24.71％。这一简单的框架应该可以得到继承来提高图像表示能力。

    May, 2017

  • DETReg: 无监督预训练结合区域先验用于目标检测

    本研究通过引入 DETReg，一种新的自监督方法，对整个目标检测网络进行预训练，包括目标定位和嵌入组件，取得了在 COCO 等低数据环境中许多最先进结果的 + 6.0 AP 改进的成果。

    Jun, 2021