AAAIDec, 2020

Co-mining：稀疏标注目标检测的自监督学习

PDF
TL;DR本文提出了一个名为 Co-mining 的机制，它使用 Siamese 网络进行多视角学习和更好地挖掘未标注实例，从而用于大多数现代物体检测器的一般训练机制，该机制在 MS COCO 数据集上进行了实验，通过在 RetinaNet 上应用 Co-mining，在三个不同的稀疏标注设置下，性能得到了改善。
object detectionsparse annotationsco-miningsiamese networkmulti-view learning
发现论文，激发创造
  • 基于区域的半监督稀疏标注目标检测方法

    本文提出一种基于区域的半监督算法，用于解决稀疏标注数据中缺失标注信息的物体检测问题，实验表明该算法在 PASCAL-VOC 数据集中取得了最优性能。

    Jan, 2022

  • 稀疏标注数据下的半监督目标检测

    使用基于单一物体跟踪和半监督学习的方法，对于 IoU 稀疏注释的目标检测，自动生成密集注释用于训练目标检测器，从而在 Epic-Kitchens 2020 目标检测挑战中获得了第一名和亚军的成绩（在不同测试集上）。

    Jun, 2020

  • 人机合作：自监督样本挖掘的目标检测

    该论文提出了一种基于自监督样本挖掘（SSM）过程的主动学习（AL）框架，针对目标检测中的真实挑战，通过自动发现和伪标记可靠的区域提案来增强目标检测器，逐步将未标注或部分标注的数据纳入模型学习中，同时最大限度地减少用户的注释工作。对两个公共基准的广泛实验清楚地表明，该框架可以实现与最先进方法可比较的性能，并显著减少注释次数。

    Mar, 2018

  • 利用图像标签进行弱监督显著目标检测

    本篇论文提出采用无监督学习方法生成的显著图用于像素级注释，在此基础上采用简单而有效的算法训练卷积神经网络，使用图形模型和完全卷积网络为模型更新修复标签歧义和更新粗糙激活地图，结果表明，该算法与目前最佳的强监管方法相当，性能明显优于所有最新的无监督显著性检测方法。

    Mar, 2018

  • 半监督物体检测中的低置信度样本挖掘

    该论文提出了一种新颖的低置信度样本挖掘方法（Low-Confidence Samples Mining，LSM），该方法能够有效地利用低置信度的伪标签实现半监督目标检测（SSOD），并通过自蒸馏的方法弥补两者的不足，该方法在 5% 标注比率下，相对于最先进的方法，在 MS-COCO 基准测试中提高了 3.54％的 mAP。

    Jun, 2023

  • 基于共现矩阵分析的半监督目标检测训练

    本文提出了一种基于 SSL（半监督学习）来训练物体检测系统的方法，该方法利用之前从已标注数据集中训练出来的网络来对未注解的数据进行自动标记，并且通过基于共生矩阵分析的重新对齐方法将有价值的标记转移到未标记数据，实验结果表明，使用这种方法可以在不增加模型参数或修改网络架构的情况下，提高现有最先进物体检测器的性能。

    Feb, 2018

  • NOTE-RCNN：用于半监督目标检测的噪声容忍集成 RCNN

    提出使用少量盒级注释和大量图像级注释对现代目标检测器进行半监督训练的新公式，并提出一种新的 NOise Tolerant Ensemble RCNN（NOTE-RCNN）目标检测器来处理标注噪声问题，该检测器能够在 ILVRC 2013 和 MSCOCO 2017 数据集上取得表现最好的效果。

    Dec, 2018

  • 弱监督目标检测的协作学习

    本文提出了一个简单而有效的弱监督协作学习框架，旨在解决在弱监督目标检测中经常出现的标注准确性与模型准确性之间的矛盾，并在 PASCAL VOC 2007 和 2012 数据集上进行了广泛的实验证明了其有效性。

    Feb, 2018

  • DetCo: 无监督对比学习物体检测

    DetCo 是一种创新的对比学习方法，通过充分探索全局图像和局部图像补丁之间的对比，学习有助于目标检测的判别性表示，实验表明其不仅在目标检测方面优于现有方法，在分割，姿态估计和三维形状预测方面也显著优于监督方法。

    Feb, 2021

  • 挖掘跨图像语义进行弱监督语义分割

    该论文研究了只从图像级别监督中学习语义分割的问题，引入了两个神经协同注意力机制来补充地捕捉跨图像的语义相似性和差异性，提高了物体模式学习和语义分割的性能，并在不同的 WSSS 设置下实现了最先进的性能。

    Jul, 2020