ICCVAug, 2019

视频主动学习的时间一致性

PDF
TL;DR本文提出了一种基于时间相干性的新的主动学习方法，旨在利用物体检测的检测结果来定义一个图形模型，以最小化图形模型上定义的能量函数，从而提供假阳性和假阴性的估计。同时我们还引入了一个名为 SYNTHIA-AL 的合成视频数据集来评估在道路场景中的视频物体检测中的主动学习，最后证明本方法在两个数据集上的表现优于主动学习基线。
autonomous driving systemsactive learningobject detectiontemporal coherencesynthia-al
发现论文，激发创造
  • 可伸缩的物体检测主动学习

    本研究描述了一个可扩展的主动学习系统，旨在改善在自动驾驶中监督学习的数据效率，主要围绕深度神经网络、有监督学习、主动学习、自动驾驶和数据效率展开，同时探讨了一些挑战及其解决方法，并简要描述了未来发展方向。

    Apr, 2020

  • 手术视频分割的相关感知主动学习

    该研究提出了一种基于对比学习的新型主动学习策略 COALSamp，通过将图像投影到经过精调的潜空间，并从视频帧的局部群集中选择一定数量的代表性图像，来改善手术视频分割的模型性能。

    Nov, 2023

  • FOCAL：一种适用于主动学习的成本感知视频数据集

    本文介绍了 FOCAL（Ford-OLIVES 协作主动学习）数据集，该数据集用于研究视频主动学习环境中标注成本的影响。通过提供真实的标注成本标签，以及引入一系列的符合性主动学习算法，本研究展示了这些方法如何更好地反映了视频标注的实际操作，并且证明了最佳的符合性主动学习方法比传统的主动学习方法更便宜 113 个小时。

    Nov, 2023

  • 视频流连续学习中基于注意轨迹的随机相干性

    提出一种新的基于神经网络的方法，该方法利用类似人类的注意机制来自主地以像素为单位学习视频流的表示，本文的实验表明，该方法可以在少量监督的情况下进行开放式类增量分类。

    Apr, 2022

  • 利用时序相干性进行自监督单次视频再识别

    本文提出了一种新的基于时间一致性递进学习的框架，利用自监督辅助任务来捕捉未被标记的轨迹之间的关系，从而更好地实现视频检索中的标记，相比现有技术提高了高达 8% 的未标记数据真实标记的准确性和重识别的性能。

    Jul, 2020

  • 深度检测神经网络的主动学习

    该论文提出了一种基于卷积神经网络的主动学习目标检测方法，使用新的图像级评分过程对未标记图像进行排序以进行自动选择，并针对不同情境（如视频或静态图像集）提出适应技巧，在行人检测任务中经过广泛研究，我们在实验中表明所提出的方法比随机选择表现更好。

    Nov, 2019

  • Cohere3D：利用时间一致性进行无监督视觉自动驾驶的表示学习

    为了克服图像中缺乏深度线索的问题，本文提出了一种新的对比学习算法 Cohere3D，用于在长期输入序列中学习一致的实例表示，从而在自动驾驶的下游任务中实现多个输入帧的实例级对应。通过预训练阶段中从 LiDAR 传感器中的原始点云构建长期时序对应来辅助从基于视觉的鸟瞰特征图中提取实例级表示。实验证明该算法在数据效率和任务性能方面都取得显著改进。

    Feb, 2024

  • 基于时间相干性的半监督调节

    本文证明了时间上下文对于半监督增量调整的有效性，揭示了深度体系结构，在轻微的有监督方式下训练，如果暴露于未标记数据的视频序列，则可以逐步提高其分类准确率。

    Nov, 2015

  • 基于时序图神经网络的半监督三维物体检测

    通过时态图神经网络的半监督学习，利用大量未标注的点云视频进行 3D 物体探测，实现了比基线和同等标记数据下的最新检测性能更好的检测，关键词：3D 物体探测；半监督学习；时态图神经网络；未标注数据；最新检测性能。

    Feb, 2022

  • 视频动作检测端到端半监督学习

    提出一种利用半监督学习方法，结合已标注和未标注数据对视频行为检测进行改进的方法，其中使用分类一致性和时空一致性约束，提出了两个新的正则化约束条件，即时间相关性和梯度平滑性，以处理视频中存在的背景和固定区域，进而实现更好的检测效果。在 UCF101-24 数据集上，仅仅使用已标注数据的 20％，该方法就比最近的完全监督式方法提高了 8.9％和 11％，且在 Youtube-VOS 上的视频对象分割上也表现出了很好的泛化能力。

    Mar, 2022