利用弱监督物体检测中的不稳定性
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
提出一种新的 WSOD 框架,通过采用 W2N 范式将弱监督转换为噪声监督,提供了一个两模块迭代训练算法来改善用于监督半监督检测框架的伪标签,并获得更好的物体检测器。
Jul, 2022
本文提出更有效的实例标记方法,利用上下文分类损失方法解决物体部分区域被错误标记的问题并通过空间限制标记负对象,应用于 PASCAL VOC 2007 和 2012 数据集进行训练,在弱监督物体检测领域取得了一定的突破。
Aug, 2019
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
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
本文主要研究弱监督物体检测(WSOD)中缺乏位置监督的问题,并将显著性集成到深度网络中,对高置信对象提出类别特定的显著性,这些特定的位置信息、语义信息和显著信息来显式监督网络,并通过预测网络隐式地指导本地化过程,实现了端到端的训练,实验结果表明,我们的方法优于所有最先进的方法。
Jun, 2017
本文介绍了一种统一的,高容量的弱监督目标检测网络 HUWSOD,它利用了一个全面的自我训练框架,在不需要外部模块或额外监督的情况下生成候选区域。HUWSOD 创新性地结合了自我监督的候选生成器和自编码器候选生成器,以及多速率重采样金字塔,取代了传统的目标候选提案,实现了端到端的弱监督目标检测训练和推断。另外,我们实现了一个整体的自我训练方案,通过逐步熵最小化和一致性约束正则化来完善检测得分和坐标,确保在同一图像的随机增强中得出一致的预测。基于对 PASCAL VOC 和 MS COCO 的广泛实验证明,HUWSOD 与最先进的弱监督目标检测方法相媲美,消除了离线提案和额外数据的需求。HUWSOD 的最佳性能接近于完全监督的 Faster R-CNN。我们的研究结果还表明,虽然与精心设计的离线目标提案有明显差异,但随机初始化的框对于弱监督目标检测的训练是有效的。
Jun, 2024
本文介绍一种新型的弱监督目标检测框架 WSOD^2,该框架通过联合考虑低层测量,CNN 置信度和自适应线性组合来确定多个回归目标,并通过区域提议学习来逼近回归目标,最终取得了最先进的结果。
Sep, 2019