本文提出了一种利用多实例学习(MIL)方法进行多类语义分割的学习的新算法,只需要通过图像级标记进行训练,同时采用全卷积网络来优化细分标签的分配。实验结果表明,该方法在 PASCAL VOC 数据集的分割挑战任务中有良好的表现。
Dec, 2014
利用多实例学习(MIL)问题形成的弱监督探测方案,使用在线实例分类器细化算法,基于深度学习结合 MIL 和实例分类器细化程序实现了端到端的训练,通过挖掘空间上的突出实例进行类别提升,最终在挑战 PASCAL VOC 数据集上取得明显优于目前最先进的 47% mAP 的结果。
Apr, 2017
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
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
本文通过引入 “持续优化” 技术来改善多实例学习中的非凸性问题,并将其命名为持续多实例学习(C-MIL),以此提高弱监督目标检测和弱监督目标定位的准确性和效果。
Apr, 2019
本文提出了一种名为多实例学习卷积神经网络(MILCNN)的弱监督卷积神经网络框架,用于解决深度网络训练数据不足的问题, 将 MILCNN 框架应用于目标识别, 并在三个基准数据集(CIFAR10、CIFAR100 和 ILSVRC2015)上报告了最新成果。
Oct, 2016
本文提出了一种基于对比学习和原型学习的实例级 MIL 框架,旨在有效完成实例分类和包分类任务,并提出了通过原型学习生成精确伪标签的方法。在四个数据集上的广泛实验和可视化证明了我们方法的强大性能。
Jul, 2023
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。
本研究提出了一种基于卷积神经网络的模型,只利用物体类别信息,通过最小化对目标分割任务的先验仅推断目标分割。我们展示了该模型在相对于弱监督物体分割任务中领先于业界最先进的方法。
Nov, 2014
本文提出了一种使用多个关键点选择和转化特征点来优化视觉目标检测器的方法,经过与 Clssification 和 Localisation 模型的联合优化,该模型在多个基准测试中都得到了显著的性能提升。
Dec, 2019