Aug, 2021

学习开放世界物体提议，不需学习分类

PDF
TL;DR本文提出一种基于 Object Localization Network (OLN) 且不需要分类器的目标定位方法，创新性地实现了目标定位的普适性并在交叉数据集上验证了其有效性。
object proposalsobject detectionolnbinary classifiersgeneralizable objectness
发现论文，激发创造
  • 半监督物体检测的提议学习

    本文针对具有生物医学背景的图像分类问题，提出了基于遗传算法的医学图片特征选择模型，在多个数据集上均取得了优秀的分类效果。

    Jan, 2020

  • 使用开放世界建议扩展单阶段检测

    本文研究在目标检测中如何应对训练集中未出现的物体，提出了一种称为 Open World Detection (OWD) 的解决方案，并探究了将 Open-World Proposals (OWP) 应用于全卷积单阶段检测网络的可能性和优化方式，实验结果表明该方法在处理未知类别时召回率可提高 6%，且相对于双阶段检测网络，该方法可更好地保持分类性能。

    Jan, 2022

  • 深度神经网络自学目标定位

    介绍了一种新方法，利用深度卷积神经网络对整张图片进行训练，以在不额外进行人工监督的情况下定位图像中的物体，并将该思想嵌入凝聚聚类技术中，产生自学习定位假设。实验证明，使用我们的方法自动生成的注释可用于训练物体探测器，产生接近于手动注释的边界框的识别结果。

    Sep, 2014

  • 软提案网络用于弱监督目标定位

    本文提出了一种新的弱监督目标定位方法，利用 Soft Proposal 网络在卷积神经网络中集成了无需成本的目标提议，在图像级监督下，通过联合优化网络参数和提议获得更好的对象居中滤波器，发现更有区分性的视觉证据，并有效地抑制背景干扰，大幅提高了弱监督目标定位和分类性能。

    Sep, 2017

  • 面向大规模图像集合的无监督多目标发现

    该论文提出了一个基于无监督学习的物体发现方法，其中包括了基于显著性的边界提取算法以及采用层次结构与两阶段策略提高发现效率。通过使用小型随机图片集和整个图片集合，该方法能够发现每张图片中的多个目标，实现了对面向真实大规模图像数据集的无监督图像解释的重要的一步。

    Jul, 2020

  • ProNet：学习为级联神经网络提出特定物体边界框

    本文提出了一个名为 ProNet 的基于神经网络的结构，利用图像级注释来高效地实现物体的分类和定位，并在 PASCAL VOC 2012 以及 MS COCO 数据集上进行了实验，超出了之前最先进的技术。

    Nov, 2015

  • 开放世界弱监督目标定位

    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

  • 无监督识别未知物体的开放世界物体检测

    该研究论文提出了一种新颖的方法，通过学习无监督的辨别模型来识别真实的未知对象，并通过无分类训练方法对模型进行进一步改进，实现在检测未知对象方面显著优于先前的方法，在 MS COCO 数据集上保持检测已知对象类别的竞争性表现，并在 LVIS 和 Objects365 数据集上实现更好的泛化能力。

    Aug, 2023

  • 实现尺度不变性和位置敏感的区域建议网络

    提出了一种基于网络架构设计的物体提议算法，该算法具有许多优势，例如对物体大小的范围从非常小到非常大的尺度具有平移不变性，具有平移变性的限制框回归，具有大的有效感受野来捕捉全局上下文等，可以显著地提高提议平均召回率，并且实时性能也非常好。

    Jul, 2018

  • 利用视觉和语言模型开发目标检测算法的无标签数据

    利用视觉与语言模型产生伪标签的方法来实现无标注图像中物体的定位和分类，从而解决大规模获取标注数据的难题，并通过在学习过程中使用这些伪标签，展示了该方法在开放词汇检测和半监督目标检测等任务上的有效性。

    Jul, 2022