Aug, 2020

基于深度特征的多实例学习用于极端领域变化下的弱监督目标检测

PDF
TL;DR研究使用多实例方法和预先训练的深度特征进行弱监督物体检测，不需要微调或跨域学习，在非摄影数据集上表现优秀，包括绘画、水彩画、剪贴画和漫画等。
weakly supervised object detectionimage-level annotationsmultiple instance approachpre-trained deep featuresnon-photographic datasets
发现论文，激发创造
  • 弱监督目标检测中的物体感知实例标注

    本文提出更有效的实例标记方法，利用上下文分类损失方法解决物体部分区域被错误标记的问题并通过空间限制标记负对象，应用于 PASCAL VOC 2007 和 2012 数据集进行训练，在弱监督物体检测领域取得了一定的突破。

    Aug, 2019

  • 弱监督目标检测的物体实例挖掘

    本文提出一种基于 end-to-end 的物体实例挖掘框架，通过引入空间和外观图上的信息传递，尝试检测每张图像中可能存在的所有物体实例，以解决针对仅有图像级注释的弱监督物体检测（WSOD）的性能问题，并在 VOC 2007 和 2012 两个公共数据库上进行试验，结果验证了所提出方法的有效性。

    Feb, 2020

  • PCL: 弱监督目标检测的提议聚类学习

    本文提出了一种新颖的深度网络用于弱监督目标检测，通过生成提案聚类来学习精细的实例分类器，能够有效防止网络过度关注物体部分而不是整体，实验表明该方法明显优于现有技术。

    Jul, 2018

  • 弱监督开放词汇物体检测

    提出了一种弱监督开放式词汇目标检测（WSOVOD）框架，扩展了传统的弱监督目标检测方法，实现了对新概念的检测和仅使用图像级别标注的多样数据集的利用。

    Dec, 2023

  • 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

  • 弱监督物体检测的对比学习目标发现

    本文提出了一种名为 object discovery 的多实例标注方法以及一种名为 weakly supervised contrastive loss（WSCL）的新对比损失函数用于针对 WSOD 任务，取得了在 MS-COCO2014/2017 和 PASCAL VOC2012 数据集上的最新最好结果，以及在 PASCAL VOC2007 上的竞争结果。

    Aug, 2022

  • 利用弱监督物体检测中的不稳定性

    提出了一种以多个检测分支为基础的弱监督物体检测方法，通过不同的初始化方式来利用不稳定性从而提高性能，在 PASCAL VOC 基准测试中达到了最新的最优性能表现。

    Jun, 2019

  • 弱监督检测变压器技术推动新型目标检测的扩展

    本文提出一种弱监督检测变换器 (Weakly Supervised Detection Transformer) 方法，通过利用大规模预训练数据集的知识，实现对百余种新颖物体的检测，并优化多实例学习框架，从而在大规模新颖物体检测数据集上优于现有模型，在 WSOD 预训练中类别数量比图像数量的重要性更大。

    Jul, 2022

  • 目标检测的半监督和弱监督域泛化

    在目标检测中，提出了半监督领域通用目标检测（SS-DGOD）和弱监督领域通用目标检测（WS-DGOD）两种新的问题设置，利用师生学习框架在仅使用来自一个领域标记数据和来自多个领域的无标记或弱标记数据进行训练，并证明了在此设置下训练的目标检测器明显优于基线检测器，并与无监督领域自适应（UDA）设置下训练的目标检测器性能相媲美或更好，同时与 UDA 相比，不需要使用目标领域数据进行训练。

    Oct, 2023

  • 多示例检测网络中的细化知识精炼

    本文提出了一种名为 “知识蒸馏细化” 的改进方法和一种自适应的监督聚合函数，以显着提高弱监督目标检测和定位任务的 OICR 性能，并使其具有其他最先进方法的竞争力。

    Apr, 2020