CVPRAug, 2017

重新审视知识转移在训练对象分类器中的作用

PDF
TL;DR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。
knowledge transferobject detectorsmulti-class detectorneural networkilsvrc 2013
发现论文，激发创造
  • 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

  • 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

  • CaT: 使用类别转移的弱监督目标检测

    设计了一种基于类别转移的弱监督目标检测框架，此框架综合利用全监督数据集中的视觉鉴别和语义相关的类别信息，应用了平均教师网络和 SemGCN 网络以解决重叠和非重叠类别间的特征传递问题，实验表明收获了较为良好的检测效果。

    Aug, 2021

  • 通过排序进行迁移学习以进行弱监督目标注释

    本文提出一种基于转移学习的自动标注目标物体位置模型，可有效在缺乏繁琐手动标注的情况下对目标物体进行定位，取得优于目前同类方法的表现。

    May, 2017

  • 基於知識轉移的少樣本物體檢測

    本文提出了一种基于少量样本和元学习的物体检测方法，使用原型知识转移和基于图的显式先验知识，验证了该方法在 PASCAL VOC 数据集上的有效性。

    Aug, 2020

  • 基于弱监督检测知识蒸馏的多标签图像分类

    本文提出了一种基于深度学习并利用弱监督检测模型去除物体标注信息的多标签图像分类方法，该方法能有效提高性能并保持高效。实验证明该方法在两个大型数据集（MS-COCO 和 NUS-WIDE）上均优于现有的先进方法。

    Sep, 2018

  • 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

  • RGB-D 数据下可迁移的半监督三维物体检测

    提出了一种可转移的半监督 3D 目标检测模型，通过训练存在强类别和弱类别两个不相交的物体类别集的数据，使用放松重投影损失、Box-to-Point Cloud Fit 网络等技术，从强类别向弱类别传递 3D 信息，并在 SUN-RGBD 和 KITTI 数据集上取得了优异的成果。

    Apr, 2019

  • 野外视频中的表示学习：以对象为中心的方法

    该篇论文提出了一种从未加工过的视频中学习图像表示的方法，该方法将来自现成物体检测器的监督损失和自我监督损失相结合，取得了在 19 个迁移学习任务中有竞争力的结果，其中包括 18/19 的少样本学习任务和 8/8 的数据集泛化任务。

    Oct, 2020

  • 目标检测中的增量学习中建模缺失注释

    本研究研究对象检测中的遗忘问题，提出新的知识蒸馏框架处理缺失标签，并在 Pascal-VOC 数据集中取得了领先的效果，同时在实例分割模型中有所拓展。

    Apr, 2022