Apr, 2021

目标检测的多实例主动学习

PDF
TL;DR本文提出了一种基于多实例学习的主动物体检测方法，使用对抗实例分类器来预测未标记集合的实例不确定性，并通过多实例学习的方法来评估图像不确定性，以减少噪音实例的影响，实验证明该方法在小标记集合上具有显著的优势。
active learningobject detectioninstance uncertaintymultiple instance learningadversarial instance classifiers
发现论文，激发创造
  • 不准确边界框下鲁棒物体检测

    本文旨在提出一种基于对象感知多实例学习的方法来学习对不准确边界框具有鲁棒性的对象探测器。通过选取准确的实例并生成高质量实例来最小化误差和提高精度。实验结果表明，该方法在合成和真实嘈杂数据集上均有效。

    Jul, 2022

  • ALWOD: 弱监督目标检测的主动学习

    ALWOD 是一种综合使用主动学习、弱监督学习和半监督学习范式的新框架，通过利用极小标记集合和大型弱标记图像集合的辅助图像生成策略来初始化模型，利用学生 - 教师目标检测对的不一致性和不确定性来选择最有信息量的图像进行注释，并引入了一种新的标注任务，基于模型提出的检测进行人工标记的选择和修正，实现了快速而有效的标注过程，从而显著缩小了只使用部分标记但经过策略选择的图像实例进行训练的目标检测模型和仅依赖完全标记数据进行训练的模型之间的差距。

    Sep, 2023

  • 基于知识聚合和蒸馏的主动目标检测

    提出了一种基于知识集成和知识蒸馏的活动物体检测方法，通过提供关于物体相关的可行交互信息来改善活动物体检测，实现了当前最先进的性能。

    May, 2024

  • 视觉对象检测的多锚点学习

    本文提出了一种使用多个关键点选择和转化特征点来优化视觉目标检测器的方法，经过与 Clssification 和 Localisation 模型的联合优化，该模型在多个基准测试中都得到了显著的性能提升。

    Dec, 2019

  • 在线实例分类器细化的多实例检测网络

    利用多实例学习（MIL）问题形成的弱监督探测方案，使用在线实例分类器细化算法，基于深度学习结合 MIL 和实例分类器细化程序实现了端到端的训练，通过挖掘空间上的突出实例进行类别提升，最终在挑战 PASCAL VOC 数据集上取得明显优于目前最先进的 47% mAP 的结果。

    Apr, 2017

  • 深度目标检测主动学习

    本研究结合活性学习和增量学习的方法，提出一种基于不确定度的适用于大多数对象检测器的主动学习度量标准，并探讨在样本选择过程中如何解决类别不平衡问题，通过系统评估在 PASCAL VOC 2012 数据集上，实现对新未标注数据集的持续探索。

    Sep, 2018

  • 基于概率建模的深度目标检测主动学习

    本文提出了一种基于混合密度网络的深度主动学习方法，该方法通过对定位和分类器的输出估计概率分布并明确估计模型的不确定性，使用一种特殊得分函数将这两种不确定性聚合在一起以获取每个图像的信息量分数，通过 PASCAL VOC 和 MS-COCO 数据集的实验证明了该方法在物体检测方面的有效性，性能优于单模型和多模型方法，而计算成本仅为之前方法的一小部分。

    Mar, 2021

  • 多实例学习中的未知样本检测

    机器学习中的弱监督学习和多实例学习框架下的离群分布检测的重要性和挑战，以及当前已有方法的不足和需求。

    Sep, 2023

  • 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

  • SIOD: 单个实例、每个图像每个类别的物体检测标注

    提出 Single Instance annotated Object Detection (SIOD) 及其所使用的 Dual-Mining 方法来进行半监督目标检测，此方法只需要一个样本的注释信息，且在 MS COCO 数据库实验中效果显著。

    Mar, 2022