ECCVAug, 2020

循环视频对象分割的课程学习

PDF
TL;DR本文研究了使用课程学习策略获得更好、更快地训练深度神经网络的方法，尝试不同的采样和跳帧变种，发现在 KITTI-MOTS 挑战中使用逆序的采样策略表现更好，而在训练时渐进跳帧则只有在使用真实的蒙版进行训练时才有益。
发现论文，激发创造
  • 语义实例分割的递归神经网络

    我们提出了一种用于语义实例分割的循环模型，它可以为图像中的每个对象顺序生成二进制掩码和它们的相关类概率。

    Dec, 2017

  • MaskRNN：实例级视频对象分割

    本文提出了一种名为 MaskRNN 的递归神经网络方法，它在每帧中利用两个深度成像网络输出（二元分割网络和定位网络）进行目标实例的视频对象分割以获取长时序结构和剔除异常值，结果在 DAVIS-2016、DAVIS-2017 和 Segtrack v2 数据集中均达到了最优表现。

    Mar, 2018

  • 视频对象分割的学习实例传播（Learning Instance Propagation for Video Object Segmentation）

    本研究提出了一种端到端的深度神经网络，结合了 Mask-RCNN 实例分割网络和 Conv-GRU 视觉记忆模块，用于解决半监督视频对象分割任务，实验结果表明该方法在 DAVIS 数据集上取得了令人满意的结果。

    Sep, 2019

  • 关于视频分割的深度学习技术调查

    该论文综述了在视频分割中使用的深度学习算法，其中包括了对象分割和语义分割，同时提供了这两种方法和数据集的详细概述，以及在几个知名数据集上的性能评估和未来研究的机会。

    Jul, 2021

  • 视频对象分割的学习策略

    该研究提出了一种新的、自动化的视频物体分割方法，通过集成一种可区分的少量样本学习模块，提高了分割精度，实现了当前 YouTube-VOS 2018 数据集的最新最佳分数，并使相对改进率达到了 2.6％以上。

    Mar, 2020

  • 循环神经网络中的序列预测计划抽样

    本文提出课程学习策略，用于训练循环神经网络，以尽量减小实际工作场景中训练和推理之间的差异，如在 MSCOCO 图片注释挑战赛中实测有效。

    Jun, 2015

  • 只是一瞥：重新思考视频连续学习的时间信息

    在视频持续学习中，我们提出了一种名为 SMILE 的新型重播机制，通过个体 / 单帧对有效视频持续学习进行了改进，并在 Kinetics、UCF101 和 ActivityNet 数据集上实现了最先进的性能，优于之前的最新技术达 21.49%。

    May, 2023

  • 深度网络训练中课程学习的威力

    本研究分析了课程学习对深度神经网络训练的影响，使用转移学习和自举法解决难度排序问题，以及不同的步伐函数指导采样，并最终证明其有效地修改了优化模型的全局最小解。

    Apr, 2019

  • 课程学习中任务排序的优化框架

    本文研究了如何通过选择不同目标函数，使用课程学习在强化学习中优化任务序列，提高初始性能，减少探索过程中的次优动作，并发现更好的策略。

    Jan, 2019

  • 神经网络的自动课程学习

    本篇论文提出了一种新的方法，通过评估学习进程来自动化选择神经网络学习课程，从而最大化学习效率。通过提供来自学习进展指标的信号以激励非静态多臂赌博机算法来的确定随机教学计划。对于 3 个课程上的 LSTM 网络的实验结果表明，我们的方法可以显著加快学习速度，在某些情况下，将实现令人满意的性能水平所需的时间减半。

    Apr, 2017