ECCVJul, 2020

利用渐进式知识迁移提升弱监督目标检测

PDF
TL;DR本文提出了一种有效的知识转移框架，利用一个在类别上与目标领域不重叠的外部全注释源数据集，迭代地转移源域知识，通过一个单类通用探测器学习目标域的探测器，并从中挖掘每次迭代中目标域探测器挖掘的伪实例，有效提高了单类通用探测器，从而更全面地利用和利用源数据集的知识，该方法在弱监督目标检测领域内实现了先前未知的最佳效果。
knowledge transferweakly supervised object detectioniterative transferone-class universal detectorpseudo ground truths
发现论文，激发创造
  • 重新审视知识转移在训练对象分类器中的作用

    本文提出了一种基于知识迁移的新型目标检测算法，基于训练一个单一的多类目标检测器，可以实现在语义层次结构中的所有源类上训练。该技术可以应用于多个数据集，并且在 ILSVRC 2013 检测数据集上已经成功实现了目标检测领域的业界新纪录。

    Aug, 2017

  • CaT: 使用类别转移的弱监督目标检测

    设计了一种基于类别转移的弱监督目标检测框架，此框架综合利用全监督数据集中的视觉鉴别和语义相关的类别信息，应用了平均教师网络和 SemGCN 网络以解决重叠和非重叠类别间的特征传递问题，实验表明收获了较为良好的检测效果。

    Aug, 2021

  • 通过渐进式域自适应进行跨领域弱监督物体检测

    本文提出了一种跨域弱监督目标检测的框架，通过对源领域上有实例级别注释的图像和目标领域上仅有图像级别注释的图像进行双重领域适应技术进行微调，取得了 5 到 20 个百分点的均值平均精度改进。

    Mar, 2018

  • 基于网络知识迁移的零注释目标检测

    本文介绍了一种基于互联网图像的目标检测方法，使用了多实例、多标签和迁移学习的框架，并通过实例级别的对抗性域适应网络和同时转移的机制转移知识，实现了在基准数据集上比基线方法显著提升的弱监督检测器。

    Nov, 2017

  • 大规模半监督目标检测的视觉和语义知识迁移

    基于深度卷积神经网络的物体检测系统在许多大规模物体检测基准测试中取得了显着成就，然而，这需要大量的标注边界框来进行训练。本文通过将图像级别分类器转化为物体检测器解决了此问题，并利用来自视觉和语义领域的物体相似性知识，在将分类器转换为没有边界框注释的类别时转移此信息。实验结果表明，我们提出的基于物体相似性的知识转移方法在半监督设置下实现了最先进的检测性能。

    Jan, 2018

  • 弱监督目标检测：从人 - 物互动中转移知识

    介绍了一种基于弱监督物体检测的方法来检测不常见的物体，该方法使用人 - 物体交互的可转移知识来监督图像中的复杂语义，通过传递已经训练过的关于本体识别的 RRPN 的定位图的知识，可以学习到新领域中 HOI 的弱监督物体检测技术。

    Nov, 2019

  • 通过排序进行迁移学习以进行弱监督目标注释

    本文提出一种基于转移学习的自动标注目标物体位置模型，可有效在缺乏繁琐手动标注的情况下对目标物体进行定位，取得优于目前同类方法的表现。

    May, 2017

  • 基于弱监督检测知识蒸馏的多标签图像分类

    本文提出了一种基于深度学习并利用弱监督检测模型去除物体标注信息的多标签图像分类方法，该方法能有效提高性能并保持高效。实验证明该方法在两个大型数据集（MS-COCO 和 NUS-WIDE）上均优于现有的先进方法。

    Sep, 2018

  • 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

  • 基於知識轉移的少樣本物體檢測

    本文提出了一种基于少量样本和元学习的物体检测方法，使用原型知识转移和基于图的显式先验知识，验证了该方法在 PASCAL VOC 数据集上的有效性。

    Aug, 2020