ICCVSep, 2021

密集目标检测的相互监督

PDF
TL;DR本文提出了一种新的监督范式，称为相互监视（MuSu），为密集探测器中的分类和回归头分别和相互分配训练样本，以确保对检测管道中的物体进行准确检测的一致性。实验结果表明，使用这种相互监视进行训练可以保证检测器的收敛性，并且在具有挑战性的 MS COCO 基准测试中验证了所提出的方法的有效性。
dense object detectorsupervision paradigmmusuregression headclassification head
发现论文，激发创造
  • 解耦稠密物体检测器

    研究了密集目标检测器中存在的三个集合问题，提出了一种基于简单有效的解耦机制的新型密集物体检测器，通过在 MS COCO 基准测试上的大量实验证明其可以取得的最先进性能。

    Jul, 2021

  • 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

  • 平衡目标检测预测一致性调和

    通过提出谐波损失，实现了分类分支和定位分支之间的协同优化，使得训练阶段的分类误差和定位误差能够同步优化，从而解决了现有目标检测器中存在的分类得分高但定位不准或者定位准确但分类得分低等预测不一致问题，在 PASCAL VOC 和 MS COCO 的基准测试中均取得了优秀的表现。

    Aug, 2021

  • 混合密集回归用于物体检测和人体姿态估计

    本文提出了使用混合密度网络进行空间回归的框架，在物体检测和人体姿态估计任务中，混合模型提高了准确性并使输入空间划分为可解释的模式。

    Dec, 2019

  • DTG-SSOD：密集教师引导用于半监督目标检测

    本文提出了一种新的理论，即采用密集式学习策略进行半监督物体检测，使用 Inverse NMS Clustering 和 Rank Matching 实现密集指导，旨在比传统稀疏 - 密集模式更有效地学习来自未标注数据的信息。在 COCO 基准测试中，该方法在多种标注比率下均实现了最新状态。

    Jul, 2022

  • 通过转移掩模先验和语义相似性实现混合监督目标检测

    本研究考虑采用混合监督的目标检测方法，在现有基础目标分类的完全注释上，利用弱注释学习新的目标分类，进一步使用掩膜信息和语义相似度技术，提高了对新分类目标的检测准确率。

    Oct, 2021

  • 基于分割协作的弱监督目标检测

    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

  • 基于密集学习的半监督目标检测

    本研究提出了一种基于 DenSe Learning 的锚点自由的半监督目标检测算法，其中包含自适应过滤策略、聚合型教师以及跨尺度不确定性一致性正则化等多种新技术，与 MS-COCO 和 PASCAL-VOC 等数据集上得到的实验结果表明，该方法在半监督目标检测性能上取得了新的最优结果。

    Apr, 2022

  • 面向精确的端到端弱监督物体检测网络

    本论文提出一种通过端到端的方式联合训练多阶段模型来解决弱监督目标检测网络中的对象位置精确预测问题的方法，该方法引入了多例学习、包围框回归和分类损失引导的注意力模块等多种算法，实验结果表明该方法能够达到最佳的性能表现。

    Nov, 2019

  • S4OD: 单阶段目标检测的半监督学习

    本文提出一种动态自适应阈值策略，同时考虑伪标签的质量和数量，并提出一种模块计算单级检测器的伪标签回归不确定性，仅使用来自 COCO 的 10％标记数据，我们的方法在基于锚点和无锚点的检测器（RetinaNet 和 FCOS）上实现了 35.0％AP 和 32.9％。

    Apr, 2022