本文提出了一种名为 object discovery 的多实例标注方法以及一种名为 weakly supervised contrastive loss(WSCL)的新对比损失函数用于针对 WSOD 任务,取得了在 MS-COCO2014/2017 和 PASCAL VOC2012 数据集上的最新最好结果,以及在 PASCAL VOC2007 上的竞争结果。
Aug, 2022
本文提出了一个简单而有效的弱监督协作学习框架,旨在解决在弱监督目标检测中经常出现的标注准确性与模型准确性之间的矛盾,并在 PASCAL VOC 2007 和 2012 数据集上进行了广泛的实验证明了其有效性。
Feb, 2018
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。
Apr, 2019
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
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
提出了一种以多个检测分支为基础的弱监督物体检测方法,通过不同的初始化方式来利用不稳定性从而提高性能,在 PASCAL VOC 基准测试中达到了最新的最优性能表现。
Jun, 2019
本论文提出了一种新方法,通过图像级标签,结合判别子模块覆盖问题和平滑的潜在 SVM 公式,实现仅需很少的监督,即可学习定位对象。实验表明,该方法在 PASCAL VOC 2007 检测中,相对于现有技术有 50%的平均精确度提升。
Mar, 2014
我们的研究工作在弱监督目标检测方面尝试利用不仅仅是物体类别标签,还使用数据中关联的动作标签;我们发现图像 / 视频中描绘的动作可以为相关物体的位置提供强烈的线索,并利用动作学习了一个与物体相关的空间先验,并将其融入到联合目标检测和动作分类模型中进行同时训练。我们在视频数据集和图像数据集上进行了实验来评估我们的弱监督目标检测模型的性能,结果表明,在 Charades 视频数据集上,我们的方法在 mAP 上比当前最先进的方法提高了 6% 以上。
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
本文提出了一种自动识别目标类别特有的视觉模式的方法,将其作为无监督目标检测的有益配置,从而实现更好的检测结果。
Jun, 2014