CVPRApr, 2019

C-MIL: 对于弱监督目标检测的连续多实例学习

PDF
TL;DR本文通过引入 “持续优化” 技术来改善多实例学习中的非凸性问题，并将其命名为持续多实例学习（C-MIL），以此提高弱监督目标检测和弱监督目标定位的准确性和效果。
weakly supervised object detectionmultiple instance learningcontinuation optimizationstable semantic extremal regionspascal voc
发现论文，激发创造
  • PCL: 弱监督目标检测的提议聚类学习

    本文提出了一种新颖的深度网络用于弱监督目标检测，通过生成提案聚类来学习精细的实例分类器，能够有效防止网络过度关注物体部分而不是整体，实验表明该方法明显优于现有技术。

    Jul, 2018

  • 在线实例分类器细化的多实例检测网络

    利用多实例学习（MIL）问题形成的弱监督探测方案，使用在线实例分类器细化算法，基于深度学习结合 MIL 和实例分类器细化程序实现了端到端的训练，通过挖掘空间上的突出实例进行类别提升，最终在挑战 PASCAL VOC 数据集上取得明显优于目前最先进的 47% mAP 的结果。

    Apr, 2017

  • 利用弱监督物体检测中的不稳定性

    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

  • 多示例检测网络中的细化知识精炼

    本文提出了一种名为 “知识蒸馏细化” 的改进方法和一种自适应的监督聚合函数，以显着提高弱监督目标检测和定位任务的 OICR 性能，并使其具有其他最先进方法的竞争力。

    Apr, 2020

  • 全卷积多类多实例学习

    本文提出了一种利用多实例学习（MIL）方法进行多类语义分割的学习的新算法，只需要通过图像级标记进行训练，同时采用全卷积网络来优化细分标签的分配。实验结果表明，该方法在 PASCAL VOC 数据集的分割挑战任务中有良好的表现。

    Dec, 2014

  • 弱监督物体检测的对比学习目标发现

    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

  • 多实例课程学习用于弱监督目标检测

    该研究使用物体分割指导模型正确定位物体，使用 “多示例课程学习” 方法逐渐拓展训练集，获得了比现有方法更好的效果。

    Nov, 2017

  • 弱监督目标检测的物体实例挖掘

    本文提出一种基于 end-to-end 的物体实例挖掘框架，通过引入空间和外观图上的信息传递，尝试检测每张图像中可能存在的所有物体实例，以解决针对仅有图像级注释的弱监督物体检测（WSOD）的性能问题，并在 VOC 2007 和 2012 两个公共数据库上进行试验，结果验证了所提出方法的有效性。

    Feb, 2020

  • 多层多实例弱监督目标定位

    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

  • 弱监督检测变压器技术推动新型目标检测的扩展

    本文提出一种弱监督检测变换器 (Weakly Supervised Detection Transformer) 方法，通过利用大规模预训练数据集的知识，实现对百余种新颖物体的检测，并优化多实例学习框架，从而在大规模新颖物体检测数据集上优于现有模型，在 WSOD 预训练中类别数量比图像数量的重要性更大。

    Jul, 2022