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
本论文提出一种通过端到端的方式联合训练多阶段模型来解决弱监督目标检测网络中的对象位置精确预测问题的方法,该方法引入了多例学习、包围框回归和分类损失引导的注意力模块等多种算法,实验结果表明该方法能够达到最佳的性能表现。
Nov, 2019
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。
本文探讨探索深度卷积神经网络的力量,提出了一种弱监督的深度检测架构,该架构可以同时进行区域选择和分类,并使用图像分类器训练,从而比实现图像级分类任务的标准数据增强和微调技术更好地学习目标探测器。
Nov, 2015
本研究提出了基于级联卷积神经网络的两种体系结构,旨在解决在没有昂贵人工注释下进行的弱监督下的目标检测问题,第一阶段从全卷积神经网络中提取类特定区域提议的最佳候选项,在三阶段体系结构中,中间阶段通过第一阶段的激活映射来提供物体分割。这些体系结构在弱监督目标检测,分类和定位领域的实验中表现出了改进。
Nov, 2016
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
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。
Apr, 2019
本研究介绍了一种半监督框架,通过一个辅助模型和一个自我纠正模块,在只有一小部分完全有监督图像的基础上,使用具有目标边界框标签的图像和只有目标边界框标签的图像集(称为弱集),训练出高质量的语义分割模型,这种方法比传统大量完全有监督数据模型要求的标注工作量减少~7 倍。
Nov, 2018
本文提出了一种无需修改分割训练过程的弱监督训练方法,通过精心设计给定边界框的输入标签,经过单一训练循环即可达到先前算法的弱监督结果并能够抵达完全监督模型的约 95% 的语义标注和实例分割质量。
Mar, 2016
这篇论文提出了一种弱监督的模型,能够同时执行语义分割和实例分割任务,并使用图像级别标签弱监督 “stuff” 类别的分割,以及使用边界框弱监督 “thing” 类别的分割。通过分析注释质量和预测性能之间的关系,可以对数据集的创建有所启示。
Aug, 2018