CVPRJun, 2020

稀疏标注数据下的半监督目标检测

PDF
TL;DR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）。
object detectorconvolutional neural networkpositive examplessemi-supervised learningsingle object tracking
发现论文，激发创造
  • 基于区域的半监督稀疏标注目标检测方法

    本文提出一种基于区域的半监督算法，用于解决稀疏标注数据中缺失标注信息的物体检测问题，实验表明该算法在 PASCAL-VOC 数据集中取得了最优性能。

    Jan, 2022

  • 基于嘈杂锚点的单阶段目标检测学习

    本文提出一种基于干净度分数的目标检测方法，旨在解决使用 IoU 进行二元标签分配时可能出现的嘈杂标签问题，通过分类和回归分支，并利用干净度分数对样本进行重新加权，提高定位和分类的准确性，实验证明该方法对多个 backbone 可以显著提升 RetinaNet 的检测精度达到 2%。

    Dec, 2019

  • Unbiased Teacher v2：针对基于锚和无锚检测器的半监督目标检测

    本文介绍了一种 Unbiased Teacher v2 方法，针对半监督目标检测的主要问题，将 SS-OD 方法推广到 anchor-free 检测器，引入了 Listen2Student 机制，收集学生和教师的相对不确定性，避免学生被错误的伪标签指引。该方法在 VOC、COCO-standard 和 COCO-additional 三个数据集上的表现优于目前的最先进方法。

    Jun, 2022

  • 用于目标检测的 IoU 预测的概率锚点分配

    本文提出了一种新的锚点分配策略，通过模型的学习状态自适应地将锚点分成正样本和负样本，实现概率推理，并验证其有效性。该方法只在 RetinaNet 基线中添加了一个卷积层，并且不需要每个位置多个锚点，因此非常高效。

    Jul, 2020

  • Co-mining：稀疏标注目标检测的自监督学习

    本文提出了一个名为 Co-mining 的机制，它使用 Siamese 网络进行多视角学习和更好地挖掘未标注实例，从而用于大多数现代物体检测器的一般训练机制，该机制在 MS COCO 数据集上进行了实验，通过在 RetinaNet 上应用 Co-mining，在三个不同的稀疏标注设置下，性能得到了改善。

    Dec, 2020

  • 观察和学习：从视频中半监督学习目标检测器

    本文提出一种半监督的方法，用于在长视频中定位多个未知的物体实例，通过这种方法可以有效地进行对象检测和跟踪，同时实现对大量静态物体实例的识别。

    May, 2015

  • 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

  • S4OD: 单阶段目标检测的半监督学习

    本文提出一种动态自适应阈值策略，同时考虑伪标签的质量和数量，并提出一种模块计算单级检测器的伪标签回归不确定性，仅使用来自 COCO 的 10％标记数据，我们的方法在基于锚点和无锚点的检测器（RetinaNet 和 FCOS）上实现了 35.0％AP 和 32.9％。

    Apr, 2022

  • Ocean: 基于目标感知的无先验锚点跟踪

    该论文提出了一种基于物体感知的无锚点跟踪网络，通过直接预测目标对象的位置和规模，以及引入功能对齐模块来从预测的边界框中学习物体感知特征，从而提高跟踪鲁棒性和精度。实验证明，该跟踪器在五个基准测试中均取得了最先进的性能。

    Jun, 2020

  • 大规模稀疏标注对象检测的采样技术

    本研究提出了 part-aware sampling 方法，利用人类直观感知对象之间的层次关系，解决 Open Images Dataset 数据集不完整的问题，并在 Google AI Open Images 竞赛 2018 中获得了第一和第二名。

    Nov, 2018