弱监督物体定位的双阶段学习
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
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
本文提出了一种基于图像级别信息的全新弱监督语义分割方法,该方法不需要使用复杂的伪标签生成过程,而是利用图像分类信息产生可靠的像素级别的注释,然后使用全新的稠密能量损失函数和端到端网络进行图像分割。通过拓展基于图像分类信息产生的像素级别注释的的一步法到两步法模型,我们在 Pascal VOC 数据集上达到了最新的最高水平性能。
Nov, 2019
本文提供了一种改进的技术,用于弱监督目标定位,通过数据增强和卷积神经网络的学习优化,与当前最先进的技术相比,可以将 Top-1 的定位准确性提高 21.4% 至 37.3%。
Feb, 2018
本文提出一个迭代的自下而上和自上而下的框架,通过挖掘常见特征来扩展对象区域,并通过优化分割网络进行训练和预测对象掩码,证明此方法在 Pascal VOC 2012 数据集上的表现优于现有的最先进方法。
Jun, 2018
该论文提出了一种弱监督课程学习流程,用于多标签对象识别、检测和语义分割的任务,其中包括四个阶段,包括训练图像的对象定位、筛选和融合对象实例、像素标注以及基于任务的网络训练,通过这种流程,实现了在 MS-COCO、PASCAL VOC 2007 和 PASCAL VOC 2012 数据集上进行多标签图像分类以及弱监督对象检测和语义分割的最新成果。
Feb, 2018
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
本文介绍了一种使用图像标签进行弱监督语义分割的模型,利用图像标注作为注意机制来识别图像中的语义区域,并描述了如何将此掩模生成策略纳入完全端到端可训练的过程中,其中网络同时学习对图像进行分类和分割,实验表明,利用生成的类特定掩模可以超越只使用图像标记的最新弱监督语义分割方法甚至某些利用额外监督或训练数据的模型。
Apr, 2018