面向精确的端到端弱监督物体检测网络
本文提出了一种新型的端到端弱监督检测方法,将引入的生成对抗分割模块与传统检测模块相互作用,充分利用弱监督定位任务的互补解释,即检测与分割任务,形成更全面的解决方案,从而获得更精确的对象边界框。
Apr, 2019
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
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
该研究提出了一种实例感知和以上下文为中心的统一框架,采用实例感知自训练算法和可学习 Concrete DropBlock,同时设计了一种内存高效的顺序批次反向传播。该方法在 COCO、VOC2007 和 VOC2012 数据集上取得了最先进的结果,并且是第一个基于 ResNet 的研究,还进行了弱监督视频目标检测的基准测试。
Apr, 2020
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
本文使用自适应学习框架,并结合实例搜索,通过逐步挖掘目标实例,即使不知道目标物体的种类,也能够实现准确的目标定位和少样本物体检测,并在两个任务上表现出优越的性能。
Jul, 2021