Jan, 2018

大规模半监督目标检测的视觉和语义知识迁移

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 重新审视知识转移在训练对象分类器中的作用

    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。

    Aug, 2017

  • 基于常识知识迁移的物体检测方法：DOCK

    本文介绍了一种从源类别向目标类别传递常识知识以检测物体的可拓展方法，并将该方法应用于 MS COCO 数据集中，发现常识知识可以显著提高检测性能。

    Apr, 2018

  • 用于大规模目标检测的混合知识路由模块

    该研究论文提出了一种利用人类常识知识，通过多种知识形式推理大规模物体类别以及在图像内达到语义连贯性的方法——混合知识路由模块(HKRM)。该方法通过整合显式知识和隐式知识两个模块，能够针对每张图片的视觉模式进行个性化和适应性处理，是一种轻量、通用和可扩展的目标检测算法。实验表明，在大规模物体检测基准测试中，HKRM在VisualGenome（1000类别）和ADE上的mAP分别提高了34.5%和30.4%。

    Oct, 2018

  • 大规模物体检测——无需细粒度边界框检测 11K 类

    本研究提出了一种半监督方法，只需要较少数量的粗粒度类别的边界框注释和大规模细粒度类别的图像级标签，即可实现接近完全监督检测的所有类别的检测精度，包括了使用共享骨干，基于软注意力的候选建议重排和双级存储器模块的相关性。实验证明，这种方法在 ImageNet 和 OpenImages这两个大规模数据集上，只有少部分类别进行完全注释就能够接近最先进的全监督方法。

    Aug, 2019

  • Universal-RCNN: 基于可迁移图形R-CNN的通用对象检测器

    本文提出了一种名为Universal-RCNN的新型通用目标检测器，引入了图传递学习，在多个数据集之间传播相应的语义信息以达到语义上的一致性，并在多个物体检测基准测试中取得了最先进的结果（mAP：COCO上的49.1%）。

    Feb, 2020

  • 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

  • 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

  • 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

  • 通过转移掩模先验和语义相似性实现混合监督目标检测

    本研究考虑采用混合监督的目标检测方法，在现有基础目标分类的完全注释上，利用弱注释学习新的目标分类，进一步使用掩膜信息和语义相似度技术，提高了对新分类目标的检测准确率。

    Oct, 2021

  • Detection Hub: 基于语言嵌入的查询适应统一物体检测数据集

    本研究提出一种新的设计（称为 Detection Hub），它是数据集感知并具有类别对齐功能，通过学习一种数据集嵌入来自适应对象查询以及检测头中的卷积核，从而既减轻了对目标检测的数据集不一致性，又提供了一致的指导，以便检测器跨多个数据集学习。实验表明，检测中心进一步在各种数据集的UODB基准测试中实现了SoTA性能。

    Jun, 2022