弱监督目标定位与检测综述
本文提出了一种使用仅图像标签训练的分类网络的弱监督对象定位算法,该方法利用卷积层中捕获的局部空间和语义模式来检测和定位图像中的多个物体,通过采用有效的束搜索方法,该方法在标准对象定位数据集中明显优于现有技术,mAP 得分提高了 8 个点。
Mar, 2016
本文探讨探索深度卷积神经网络的力量,提出了一种弱监督的深度检测架构,该架构可以同时进行区域选择和分类,并使用图像分类器训练,从而比实现图像级分类任务的标准数据增强和微调技术更好地学习目标探测器。
Nov, 2015
通过引入二分类检测器和加权熵损失函数,提出了一种改进的弱监督目标定位方法,解决了现有方法中单类回归和噪声边界框带来的限制和问题。在 CUB-200-2011 和 ImageNet-1K 数据集上的实验结果表明了我们方法的有效性。
Aug, 2023
本文提出了一种新型的端到端弱监督检测方法,将引入的生成对抗分割模块与传统检测模块相互作用,充分利用弱监督定位任务的互补解释,即检测与分割任务,形成更全面的解决方案,从而获得更精确的对象边界框。
Apr, 2019
本文综述了深度学习方法在目标检测领域的应用及其取得的进展,涵盖了检测框架、特征表示、目标提议生成、上下文建模、训练策略和评估指标等方面,并指出了未来研究的方向。
Sep, 2018
本文介绍了一种采用多实例学习方法、利用二进制标签训练目标探测器并推断正样本中物体的位置的弱监督学习方法,旨在解决目标分类定位问题,同时提出了一种多因素多实例学习流程和窗口细化方法,将之应用于高维特征,例如 Fisher 向量和卷积神经网络特征,并在使用 PASCAL VOC 2007 测试集进行实验验证其有效性。
Mar, 2015
本文提供了一种改进的技术,用于弱监督目标定位,通过数据增强和卷积神经网络的学习优化,与当前最先进的技术相比,可以将 Top-1 的定位准确性提高 21.4% 至 37.3%。
Feb, 2018
本调查研究了物体检测领域的主要发展现状以及现有典型检测模型的方法和评估数据集,分别分析了一阶段和二阶段检测器的综合概述,并总结了物体检测的传统和新型应用,最后就利用这些物体检测方法构建高效系统的应用建议和发展趋势进行了探讨。
Jul, 2019