ECCVJul, 2020

面向大规模图像集合的无监督多目标发现

PDF
TL;DR该论文提出了一个基于无监督学习的物体发现方法，其中包括了基于显著性的边界提取算法以及采用层次结构与两阶段策略提高发现效率。通过使用小型随机图片集和整个图片集合，该方法能够发现每张图片中的多个目标，实现了对面向真实大规模图像数据集的无监督图像解释的重要的一步。
unsupervised object discoverysaliency-based region proposalhierarchical structuretwo-stage proposal selectionlarge-scale image interpretation
发现论文，激发创造
  • 视频集合中的无监督目标发现和跟踪

    本研究提出一种结合发现和跟踪两个过程的算法，用于自动定位包含在视频集合中的物体，并能发现跨不同视频的物体实例之间的隐含拓扑关系，实验表明该算法在多目标定位方面表现优异

    May, 2015

  • 无监督目标定位：观察背景发现物体

    从背景入手，在不需要强烈假设对象本身的情况下，提出了一个基于特征检测的模型 FOUND，用于无监督的显著性检测和对象发现，并在这些任务上取得了国际领先的成果。

    Dec, 2022

  • 野外无监督物体发现和定位：基于部件匹配和自底向上区域建议的方法

    本文提出了一种基于部分匹配区域的方法，使用概率霍夫变换在多个对象类别的嘈杂图像集合中无监督地发现和定位支配对象，并在标准测试基准上证明了该方法在物体共现方面显著优于现有技术，可在具有挑战性的混合类数据集中实现鲁棒的对象发现。

    Jan, 2015

  • 自监督 ViTs 时代的无监督对象定位调查

    最近对开放式视觉系统的热情表明了社区在封闭词汇基准设置之外进行感知任务的高度兴趣。在不事先知道数据集中包含哪些对象的情况下，能够在图像 / 视频中发现对象是一个令人兴奋的前景。最近的研究表明，通过利用自我监督预训练特征，可以进行无类别无监督的对象定位。在自我监督 ViT 的时代，我们在此提出一种调查无监督对象定位方法，其能够在图像中发现对象而无需任何手动注释。我们在以下链接中汇总了所讨论方法的资源库：this https URL

    Oct, 2023

  • 学习仅需最少监督的物体定位

    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

  • 半监督物体检测的提议学习

    本文针对具有生物医学背景的图像分类问题，提出了基于遗传算法的医学图片特征选择模型，在多个数据集上均取得了优秀的分类效果。

    Jan, 2020

  • 检测和分组相同对象的区域建议和分类

    本文提出了一种利用无监督多实例对象发现算法提出物体提议，进而用于卷积神经网络的分类器，使得对于同一类对象的多个实例能够提高分类精度，同时还能分割成不同对象类型的子类别进行层次分类。

    Jul, 2017

  • 无监督 Transformer 定位物体

    本文提出了一种不需要昂贵的注释活动的图像集合中的目标本地化的简单方法（称为 LOST），该方法利用了以自我监督方式预训练的视觉转换器的激活特征，同时在 PASCAL VOC 2012 上的实验表明，该方法优于最先进的目标发现方法最高可达 8 CorLoc 点。此外，我们还展示了在发现对象的基础上训练一个不具有类别属性的检测器可以再次提高 7 个点，此外，我们在无监督对象发现任务上也展示了有希望的结果。

    Sep, 2021

  • 深度神经网络自学目标定位

    介绍了一种新方法，利用深度卷积神经网络对整张图片进行训练，以在不额外进行人工监督的情况下定位图像中的物体，并将该思想嵌入凝聚聚类技术中，产生自学习定位假设。实验证明，使用我们的方法自动生成的注释可用于训练物体探测器，产生接近于手动注释的边界框的识别结果。

    Sep, 2014

  • 对比物体掩码提案的无监督语义分割

    本文旨在通过采用对比优化目标中的预定中级先验，引入了一个两步框架来学习像素嵌入，从而解决了计算机视觉中的无监督语义表示学习问题，并证明此方法优于现有方法。

    Feb, 2021