ECCVAug, 2020

从少样本到多样本：使用混合监督学习注释目标检测

PDF
TL;DR该论文提出了一种使用在线标注模块（OAM）从弱标注图像生成一组可靠的注释，可与任何完全监督的两阶段对象检测方法联合训练，从而实现了仅需要一组低标注图像的完全端到端策略。将 OAM 与 Fast (er) R-CNN 相结合，可在 PASCAL VOC 2007 和 MS-COCO 基准测试上将其性能提高了 17％ mAP，9％ AP50，并且明显优于使用混合监督的竞争方法。
发现论文，激发创造
  • 弱监督视频显著目标检测

    本文提出了基于新型弱标注的视频显著目标检测模型，并使用外观运动融合模块和双向 ConvLSTM 框架来实现有效的多模态学习和长期时序建模，还设计了一种前景背景相似度损失和一种弱标注增强策略，以提高模型性能和伪标签生成技术。在六个基准视频显著性检测数据集上的实验结果证明了我们方案的有效性。

    Apr, 2021

  • EHSOD：基于 CAM 的端到端混合监督物体检测及级联细化

    本论文旨在通过开发 EHSOD 来训练高质量的检测器，其结合全注释和图像级别标签的有限数据，利用 CAMRPN 模块，和混合监督级联模块的帮助来改进与较弱的标注数据相关的定位和分类问题。

    Feb, 2020

  • 自监督和少样本目标检测综述

    本文综述了近期研究的少样本和自监督目标检测方法，并提出了研究中的主要收获和未来方向。

    Oct, 2021

  • 遥感中的小样本目标检测：解除不完全注释的新颖目标的诅咒

    提出了一种基于自我训练的少样本目标检测 (ST-FSOD) 方法，通过引入自我训练机制和学生 - 教师机制，在少样本细调过程中发现未标注的新对象，并在训练过程中考虑它们。实验结果表明，该方法在各种少样本目标检测设置中优于现有技术。

    Sep, 2023

  • 使用字幕的开放词汇物体检测

    本文提出了一种称为开放词汇物体检测的新型物体检测问题，利用有限数量的物体分类边界框注释和图像 - 标题对来训练物体检测器，可以在更低的成本下覆盖更广泛的物体范围，成功地解决了物体检测中监督要求高的问题，并且更具实用性和效率，可以检测和定位那些未在训练过程中提供边界框注释的物体，无监督和零样本方法都无法做到如此高的准确性。

    Nov, 2020

  • 遥感图像中的少样本目标检测

    本文介绍了一种基于少样本学习的遥感影像目标检测方法，主要由元特征提取器、自适应权重分配模块和边界框预测模块组成，实现了在较少标注数据情况下，在遥感影像上的目标检测，表现优于其他基线模型。

    Jun, 2020

  • 无微调一次性目标检测

    本研究中我们试图通过应对一次训练样例被限制为 1 的单独目标检测问题，丰富目标检测类别，并引入了匹配 - FCOS 网络和结构感知关系模块等模型以及新颖的训练策略进行探究，旨在最终消除对支持图像的微调需要，结果在多个数据集上始终超过同类现有技术，进而分类属于基于深度学习和 Faster R-CNN 的无锚点检测技术。

    May, 2020

  • BAOD: 预算感知目标检测

    本文研究了基于预算限制的目标检测问题，提出了一种构建多样化和高信息量数据集的策略以及对其进行优化和混合监督式学习的方法，实验结果表明该方法在减少约 12.8% 的注释预算的同时能够实现 PASCAL-VOC 2007 数据集强监督探测器的性能

    Apr, 2019

  • 使用视觉和语义嵌入的共同关注实现弱监督的少样本目标分割

    本文提出了一种基于多模态交互模块的小样本物体分割方法，该方法利用视觉和词嵌入的协同注意机制，使用图像级标签在 PASCAL-5i 数据集上实现了 4.8％ 的提高，并在 YouTube-VOS 数据集上展示了 TOSFL 实验的实例级和类别级结果。

    Jan, 2020

  • 任意次数目标检测

    本文介绍了一种新的物体检测挑战性场景 “Any-shot detection”，并提出了一个统一的模型，可以同时检测零 / 少样本物体类别，其中核心思想是使用类语义作为目标检测的原型，并提出一种重新平衡的损失函数来强调难以检测的少样本情况，但避免在新类别上过拟合。在 Pascal VOC 和 MS-COCO 数据集上的实验表明，该方法可以显著提高检测性能。

    Mar, 2020