多标签分类中最小化监督
该研究构建了一个统一框架,以执行有效的噪声提议抑制并相互作用全局和局部特征进行稳健的特征学习,包括使用类别感知弱监督来集中注意力于不存在的类别为本地特征学习提供确定性信息,以及开发跨粒度注意力模块来探索全局和局部特征之间的互补信息。在 MS-COCO 和 VOC 2007 两个大规模数据集上的广泛实验表明,该框架优于最先进的方法。
Nov, 2022
本论文提出了一种新方法,通过图像级标签,结合判别子模块覆盖问题和平滑的潜在 SVM 公式,实现仅需很少的监督,即可学习定位对象。实验表明,该方法在 PASCAL VOC 2007 检测中,相对于现有技术有 50%的平均精确度提升。
Mar, 2014
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
本文提出了一种半弱监督分割算法,基于新的深度监督学习方法和学生 - 教师模型,结合各种监督信号以实现易于集成,有效地减少了昂贵标注的要求。经过实验验证,该算法在视网膜液体分割上取得了成功。
Apr, 2021
该论文提出了一种弱监督课程学习流程,用于多标签对象识别、检测和语义分割的任务,其中包括四个阶段,包括训练图像的对象定位、筛选和融合对象实例、像素标注以及基于任务的网络训练,通过这种流程,实现了在 MS-COCO、PASCAL VOC 2007 和 PASCAL VOC 2012 数据集上进行多标签图像分类以及弱监督对象检测和语义分割的最新成果。
Feb, 2018
本文针对有限标注信息下的半监督学习进行研究,分析了当前应用最广的半监督学习方法 FixMatch 在这种情况下的表现和局限,提出了一种利用自监督学习方法提供训练信号以及优化伪标签筛选过程的方案,并在 STL-10 数据集上得到了显著提高。
Dec, 2021
本文提出了一种基于部分标注医疗图像的多标签分类的解决方案,采用邻域风险最小化方法,能够改善模型的泛化能力并提供关于未来研究方向的见解。
Apr, 2022
该研究提出了一种新的部分监督训练范式和权重转移函数,使得可以在仅有少量掩模注释的情况下,使用来自 Visual Genome 数据集的框注释和 COCO 数据集中 80 个类别的掩模注释,训练出可以检测和分割 3000 个视觉概念的 Mask R-CNN 模型,在 COCO 数据集上进行了实验评估。这是实现广泛理解视觉世界的目标实例分割模型的第一步。
Nov, 2017
本文提出了一种通过特定注释和深度网络中间表示的聚类与标签分配来改善弱监督下物体定位失败的方法,并在 ILSVC2014 和 PASCAL VOC2012 数据集上得到了显著改进的结果。
May, 2016