图卷积标签噪声清除器:训练即插即用的动作分类器以用于异常检测
本文提出了一种利用二进制聚类方法的弱监督异常事件检测方法,在 UCF-crime 和 ShanghaiTech 两个数据集上展示了比现有算法更优异的 78.27%和 84.16%的帧级 AUC。
Apr, 2021
本文提出了一种基于图卷积的弱监督动作定位方法,使用相似性图形显式建模视频片段之间的相似性以及动作的子操作,最终在多个数据集上达到了弱监督动作定位的最新水平。
Feb, 2020
我们提出了一种弱监督的异常检测系统,包括一个随机批处理选择机制、一个正常区域抑制块和一个聚类损失块,以利用训练批次中的总体信息,降低标签噪声并提高特征表示学习,以及通过三个数据集的实验证明了我们方法的卓越的异常检测能力。
Mar, 2022
该论文提出了一种基于无标签干扰数据集训练深度卷积神经网络的新型框架,并使用一个无向图模型来描述干净和嘈杂标签之间的关系,在监督学习过程中学习这个模型。该模型在图像标注问题上应用,并在 CIFAR-10 和 MS COCO 数据集上展示出有效的标注效果和在训练中实现了减少标签噪声的效果。
May, 2017
本文主要研究标签高效学习、视频动作检测、半监督主动学习、信息样本选择和时空定位等主题。提出了一个半监督主动学习方法,利用标记和未标记数据以及信息样本选择来进行动作检测。通过提出的噪声增强和基于高通滤波的关注机制(fft-attention)等技术,提高了半监督学习在视频动作检测中的准确性和泛化能力。通过在 UCF-101-24、JHMDB-21 和 Youtube-VOS 等数据集上的实验证明了该方法的有效性。
Dec, 2023
使用 CleanNet 作为联合神经嵌入网络的核心,我们在图像分类模型中学习标签噪声,通过较少的人工监督,仅验证一小部分类别即可降低训练模型的标签噪声误差,并通过多项实验验证了该算法在实际数据测试中的有效性。
Nov, 2017
本论文探究了在实际情况中,数据标注不可避免地有可能存在噪声标签的情况下,利用引入噪声层的方法,在 Convolutional Network 模型上进行判别性训练以获得更好的性能。同时在多个数据集上进行了实验,包括在 ImageNet 分类基准测试上的大规模试验。
Jun, 2014
本文提出了基于强化学习的标记策略,从嘈杂的网络搜索结果中选择正确的样本来训练分类器,以学习准确的视觉概念分类器。实验结果表明,我们的方法能够学习嘈杂数据的良好标记策略,并用此学习精确的视觉概念分类器。
Jun, 2017
本文提出了一种基于视频级别标签进行训练的视频动作识别模型,该模型利用大型图像数据集中训练的逐帧人物检测器,在多实例学习框架内实现。此外,我们使用新的概率多实例学习方法来估计每个预测的不确定性,并在 AVA 数据集上取得了第一个弱监督结果,在 UCF101-24 上获得了弱监督方法的最新成果。
Jul, 2020
提出一种新的方法 WSGN,使用弱监督学习从视频中标注人类动作,包括视频级别标签,通过学习视频特定以及数据集范围内的统计信息来预测每个帧对于动作类别的相关性,可在两项标准测试中显著提高动作检测效果并且在 Charades 数据集上弱监督方法与有监督方法之间只有 0.3% mAP 的差距。
Apr, 2019