ICCVAug, 2019

大规模物体检测 —— 无需细粒度边界框检测 11K 类

PDF
TL;DR本研究提出了一种半监督方法，只需要较少数量的粗粒度类别的边界框注释和大规模细粒度类别的图像级标签，即可实现接近完全监督检测的所有类别的检测精度，包括了使用共享骨干，基于软注意力的候选建议重排和双级存储器模块的相关性。实验证明，这种方法在 ImageNet 和 OpenImages 这两个大规模数据集上，只有少部分类别进行完全注释就能够接近最先进的全监督方法。
deep learningobject detectionsemi-supervisedfine-grainedbounding box
发现论文，激发创造
  • 基于图像级标签的粗到细语义分割

    该研究提出了一种基于图像类别标签的新型递归粗到细语义分割框架，可用于图像分割和前景分割等任务，并且只需要一个标签来处理包含多类别对象的图像。

    Dec, 2018

  • 弱监督细粒度图像分类

    该论文致力于通过使用多尺度部分提议来选择有用的部分，并使用它们计算全局图像表示以进行无注释的细粒度图像分类，同时探索了其关键部分的检测和可视化。实验表明该方法在两个具有挑战性的数据集上比同类方法更加准确。

    Apr, 2015

  • NOTE-RCNN：用于半监督目标检测的噪声容忍集成 RCNN

    提出使用少量盒级注释和大量图像级注释对现代目标检测器进行半监督训练的新公式，并提出一种新的 NOise Tolerant Ensemble RCNN（NOTE-RCNN）目标检测器来处理标注噪声问题，该检测器能够在 ILVRC 2013 和 MSCOCO 2017 数据集上取得表现最好的效果。

    Dec, 2018

  • 无微调一次性目标检测

    本研究中我们试图通过应对一次训练样例被限制为 1 的单独目标检测问题，丰富目标检测类别，并引入了匹配 - FCOS 网络和结构感知关系模块等模型以及新颖的训练策略进行探究，旨在最终消除对支持图像的微调需要，结果在多个数据集上始终超过同类现有技术，进而分类属于基于深度学习和 Faster R-CNN 的无锚点检测技术。

    May, 2020

  • 弱监督的物体边界

    本文提出了一项弱监督技术用于生成边界检测的标注，仅使用边界框的标注数据即可在目标边界检测任务中达到高性能。该方法在边界检测任务上表现优于当前最先进的完全监督方法。

    Nov, 2015

  • 面向精确的端到端弱监督物体检测网络

    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

  • 稀疏标注数据下的半监督目标检测

    使用基于单一物体跟踪和半监督学习的方法，对于 IoU 稀疏注释的目标检测，自动生成密集注释用于训练目标检测器，从而在 Epic-Kitchens 2020 目标检测挑战中获得了第一名和亚军的成绩（在不同测试集上）。

    Jun, 2020

  • 噪声数据对精细识别的非合理有效性

    利用简单通用的识别方法和网络上的免费嘈杂数据，成功规模扩展到 10,000 多个类别，不需要手动收集标签，取得超过现有各领域最佳记录的 92.3%、85.4%、93.4% 和 80.8% 的 top-1 准确率

    Nov, 2015

  • 基于零件的 R-CNN 用于细粒度分类检测

    该论文提出了一种基于语义部分定位的细粒度分类方法，并通过利用深度卷积特征来克服对象检测困难，同时学习整个对象和零散对象部分的检测器和他们之间的几何约束，从而预测一个细粒度的类别。该方法在不需要在测试时提供包围盒的情况下，通过对 Caltech-UCSD Bird 数据集的实验证明其优于现有细粒度分类方法。

    Jul, 2014

  • 自主学习深度学习技术在弱监督目标检测中的应用

    本文基于自适应学习的思想，针对目前对象检测的弱监督情况，提出了一种基于深度神经网络架构的自适应学习策略，并在 Pascal VOC 2007、Pascal VOC 2010 和 ILSVRC 2013 数据集上得到了最先进的实验结果。

    May, 2016