弱监督目标定位中的归一化重要性
本文提出了一种新的评估协议,其中完全监督仅限于与测试集不重叠的少量保留集,进一步验证了在只有图像级标签的情况下 WSOL 任务是存在问题的,而实现了评估协议的五种最新 WSOL 方法并没有显著优于 CAM 基线,同时我们还发现现有 WSOL 方法并未达到在不同情况下采用完全监督的训练基线水平,提出了 WSOL 未来的一些方向。
Jan, 2020
本文提出一个新的评估协议,将完全监督仅限于一个小的保留数据集,观察了最近五种 WSOL 方法与 CAM 基线的比较并发现没有显著的改进,并提出未来 WSOL 的研究方向建议。
Jul, 2020
该论文提出了一个两阶段的学习框架来实现弱监督物体定位,通过低层次特征激活图实现物体的定位,并且使用加权熵损失,关注擦除和区域损失来减少激活的不确定性,该方法在 CUB-200-2011 和 ImageNet-1K 数据集上表现优秀,成为 WSOL 方面最新的国际领先方法。
Oct, 2021
本研究提出了一种有效的浅层特征感知的伪监督目标定位模型,通过浅层和深层特征的逐元素相乘过滤背景噪声,生成更锐利的边界并进一步提出了一个通用的类不可知分割模型以实现精确的物体掩模定位,最终应用边界框提取器定位目标,实验验证我们的模型在 CUB-200 和 ImageNet-1K 基准测试数据集上优于现有技术,分别达到 93.44%(提高了 3.93%)和 67.15%(提高了 2.13%)的 Top-5 定位准确度。
Aug, 2021
本文提出了一种新的弱监督目标定位方法,称为伪监督目标定位(PSOL)方法,将弱监督目标定位分为类不可知对象定位和对象分类两个部分,并使用 PSOL 方法生成噪声伪标注来进行类不可知对象定位,并在此基础上进行边界框回归,通过此方法生成的伪边界框,在未进行精调的情况下,在 ImageNet 数据集上实现了 58.00% 的定位精度和 CUB-200 数据集上的 74.97% 的定位精度,具有很好的可迁移性。
Feb, 2020
本文采用领域适应任务的视角,提出了一种 DA-WSOL 流程,旨在通过目标采样策略、多领域适应本地化损失函数和 Universum 正则化等方法来解决 WSOL 中存在的激活问题,进而提高弱监督对象定位的表现。实验表明,该流程在多个基准测试上优于现有技术,可通过 https://github.com/zh460045050/DA-WSOL_CVPR2022 下载到源代码。
Mar, 2022
本文提出了一种名为 BagCAMs 的插入式机制,使用该机制可以让弱监督目标定位方法(WSOL)的性能得到大幅提高,并在三个 WSOL 基准测试上获得最佳表现。BagCAMs 采用了区域本地化器生成(RLG)策略来定义一组区域本地化器,并从训练有素的分类器中导出它们。
Jul, 2022
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
通过提出一种弱监督对象定位任务 OWSOL (Open-World Weakly-Supervised Object Localization), 并使用一个对比学习方法 (co-learning) 将有标签和无标签数据进行降维表示,通过聚类方法识别有标签数据的类别,最终生成出一个完整的广义类反激活 (Generalized Class Activation Map) 用于对象定位,并提出了多个语义中心点驱动的对比损失 (contrastive loss), 使得算法在 ImageNet-1K 和 iNatLoc500 数据集等 OWL 识别基准上超过所有基线,具有较大的性能优势。
Apr, 2023
本文提出了一种对弱监督对象定位进行背景辅助的方法,该方法旨在使用对比度关注损失,前景一致性损失和非局部注意力块来提高各层次对目标的感知,进而实现更高的图像定位精度。
Sep, 2020