正负样本不平衡问题下的目标检测
利用视觉与语言模型产生伪标签的方法来实现无标注图像中物体的定位和分类,从而解决大规模获取标注数据的难题,并通过在学习过程中使用这些伪标签,展示了该方法在开放词汇检测和半监督目标检测等任务上的有效性。
Jul, 2022
这篇论文研究并扩展了自监督预训练在受限标注数据上的应用,提出了一种新颖的 PU 学习目标正无标噪声对比估计(puNCE)以通过有限监督获得表示,实验证明 puNCE 在受限监督下持续优于现有无监督和监督对比基线。
Jun, 2022
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
本研究研究对象检测中的遗忘问题,提出新的知识蒸馏框架处理缺失标签,并在 Pascal-VOC 数据集中取得了领先的效果,同时在实例分割模型中有所拓展。
Apr, 2022
该论文侧重于使用正面与未标记数据进行漏洞检测,提出了一种名为 PILOT 的新模型,主要包括距离感知标签选择模块和混合监督表示学习模块,以提高漏洞检测的准确性。
Aug, 2023
我们提出了一种元学习方法,用于正负样本未标记分类,从而提高仅使用 PU 数据获得的二元分类器在未知目标任务中的性能。该方法使用包含正向、负向和未标记数据的相关任务,在使用 PU 数据调整模型之后,最小化了测试分类风险。通过使用神经网络将每个实例嵌入到任务特定空间中,我们以密度比率估计 PU 密度的形式估计了贝叶斯最优分类器,其解可作为闭式解求得。经验证明,该方法在一个合成数据集和三个真实数据集上表现优于现有方法。
Jun, 2024
该论文介绍了一种用于正负标记样本不明确的情景下,从正样本和无标记样本中学习出二分类器的新方法 —— 使用变分原理的方法,可以直接从给定的数据中定量评估贝叶斯分类器的建模误差,并进一步提高该方法的鉴别性能和数值稳定性,还可以通过引入最大化分类间隔的损失函数来使方法更加有效。
Jun, 2019
本文提出了一种名为正例与未标注多标签分类(PU-MLC)的新方法,通过在训练时直接丢弃训练集中的负标签来减少嘈杂的标签所带来的不良影响,并通过引入自适应重平衡因子和自适应温度系数来缓解标签分布中的灾难性不平衡和概率平滑问题。大量的实验证明了 PU-MLC 方法在 MS-COCO 和 PASCAL VOC 数据集上取得了显着的改进。
Jun, 2023
提出一种零样本方法,该方法通过训练一个将语义属性预测与视觉特征融合以提出所观察到和未观察到对象类别的目标边界框的端到端模型,不使用语义信息,在测试时能明显提高针对未知对象的平均精度,应用于 PASCAL VOC 和 MS COCO 数据集时观察到显著改进。
Mar, 2018
本文提出了一个统一的主动学习框架,并考虑到了检测器的不确定性和鲁棒性,从而保证了网络在所有类中的良好表现,并利用自动标注抑制潜在的分布漂移,提高了模型的性能。实验表明,我们的方法在 PASCAL VOC07+12 和 MS-COCO 上始终优于广泛应用的主动学习方法,在 mAP 上提高了 7.7%, 或在标注成本上降低了 82%。
Jun, 2021