Feb, 2018

基于共现矩阵分析的半监督目标检测训练

PDF
TL;DR本文提出了一种基于 SSL（半监督学习）来训练物体检测系统的方法，该方法利用之前从已标注数据集中训练出来的网络来对未注解的数据进行自动标记，并且通过基于共生矩阵分析的重新对齐方法将有价值的标记转移到未标记数据，实验结果表明，使用这种方法可以在不增加模型参数或修改网络架构的情况下，提高现有最先进物体检测器的性能。
发现论文，激发创造
  • 无标注对象发现的目标检测与识别的共同发生

    本研究提出了一种基于深度学习的新方法，用于在多标签对象类别中识别与基本对象并存的对象。通过检测图像中的边界框和相应的标签，进行关联规则的建立和频繁模式的生成，实验证明了提出方法在公开基准数据集上的有效性。

    Mar, 2024

  • 一个简单的半监督学习框架用于目标检测

    本文提出了一个简单而有效的 SSL 框架 STAC，以及一种数据增强策略，用于视觉物体检测；采用高置信度伪标签更新模型，通过强数据增强实现一致性约束，实验证明在 MS-COCO 和 VOC07 数据集上具备高效性和良好性能。

    May, 2020

  • VideoSSL: 视频分类的半监督学习

    本文提出了一种基于卷积神经网络（CNN）的半监督学习方法：VideoSSL，用于视频分类，可以在只使用少量标注样本以及利用无标注数据的两种信号指导下，在 UCF101、HMDB51 和 Kinetics 三个公开数据集上实现出色的性能。

    Feb, 2020

  • 基于密集学习的半监督目标检测

    本研究提出了一种基于 DenSe Learning 的锚点自由的半监督目标检测算法，其中包含自适应过滤策略、聚合型教师以及跨尺度不确定性一致性正则化等多种新技术，与 MS-COCO 和 PASCAL-VOC 等数据集上得到的实验结果表明，该方法在半监督目标检测性能上取得了新的最优结果。

    Apr, 2022

  • 即时教学：一种端到端的半监督目标检测框架

    本研究介绍了一个完全端到端的有效半监督物体检测框架 Instant-Teaching，使用了即时伪标记和扩展的弱 - 强数据增强进行教学。在 MS-COCO 和 PASCAL VOC 数据集上的实验证明了我们提出的方法优于现有方法。

    Mar, 2021

  • 利用图像标签进行弱监督显著目标检测

    本篇论文提出采用无监督学习方法生成的显著图用于像素级注释，在此基础上采用简单而有效的算法训练卷积神经网络，使用图形模型和完全卷积网络为模型更新修复标签歧义和更新粗糙激活地图，结果表明，该算法与目前最佳的强监管方法相当，性能明显优于所有最新的无监督显著性检测方法。

    Mar, 2018

  • 稀疏标注数据下的半监督目标检测

    使用基于单一物体跟踪和半监督学习的方法，对于 IoU 稀疏注释的目标检测，自动生成密集注释用于训练目标检测器，从而在 Epic-Kitchens 2020 目标检测挑战中获得了第一名和亚军的成绩（在不同测试集上）。

    Jun, 2020

  • 基于互模态重构和特征投影网络的自监督学习用于高效标签 3D 到 2D 分割

    本研究提出一种卷积神经网络和自监督学习的方法，用于在有限标记数据情况下进行高效的三维到二维分割，通过在临床相关任务中验证，证明该方法比现有技术在有限标记数据情况下显著提升了分割性能，并且自监督学习方法可以进一步提高性能，而且对于网络架构无关。

    Jul, 2023

  • 三维医学图像的一致性半监督分割

    本文提出了一种用于 3D 医学图像分割的半监督学习方法 --TraCoCo，并将传统的均方误差 Semi-Supervised Loss 替换为新的交叉模型置信二元交叉熵损失（CBC），该方法采用不同的空间输入上下文扰动视图，使模型能够从视觉对象中学习分割模式，并通过 CutMix 数据增强进一步提高预测的泛化能力。结果表明，该方法在 Left Atrium 和 Brain Tumor Segmentation 数据集中取得了最先进的效果。

    Mar, 2022

  • Co-mining：稀疏标注目标检测的自监督学习

    本文提出了一个名为 Co-mining 的机制，它使用 Siamese 网络进行多视角学习和更好地挖掘未标注实例，从而用于大多数现代物体检测器的一般训练机制，该机制在 MS COCO 数据集上进行了实验，通过在 RetinaNet 上应用 Co-mining，在三个不同的稀疏标注设置下，性能得到了改善。

    Dec, 2020