带区域网络孪生网络的弱监督人搜索
该论文提出了一种弱监督的人物搜索模型,通过三种层次的上下文线索(检测、记忆和场景)来提高模型的判别能力和聚类准确性,在 CUHK-SYSU 数据集上取得了 80% 的平均精确度,并且在性能上甚至可以与一些有监督的模型媲美。
Jun, 2021
本文提出使用弱监督学习解决行人 Re-identification 问题的挑战,将其转化为多示例多标记学习问题并提出了 CV-MIML 方法及基于深度神经网络的 Deep CV-MIML 模型,经过实验表明该方法在四个弱标记数据集上表现优异。
Apr, 2019
本论文提出了 Dense Siamese Network(DenseSiam),这是一种针对密集预测任务的简单的无监督学习框架,通过最大化图像两个视图之间的相似性(包括像素和区域一致性),学习视觉特征表示,并证明了其在图像分类和语义分割任务中的有效性。
Mar, 2022
本论文提出了一个用于人物再识别的深度学习网络 ——Consistent Attentive Siamese Network。该网络通过学习获得空间物体特征,使得对于跨视图的图像匹配具有鲁棒性,并展现了在保证同一身份图像的一致性的情况下,尽可能的利用图像内容进行监督与特征提取的方法,从而获得了具备解释性的预测能力。在 CUHK03-NP、DukeMTMC-ReID 和 Market-1501 数据集上进行的实验表明,该网络具有竞争力的性能表现。
Nov, 2018
该研究提出了一种新的无监督跟踪框架,通过跟踪变化明显的物体,解决了以往模板匹配无法处理较长时间跨度的问题,并通过正向和反向跟踪视频,学习了时间上的对应关系并且通过提出的一致性传播转换和不可微的区域遮盖,构建了一个可靠的特征模板,采用基于质量伪标签动态赋权值的策略,提高了学习效果,达到了 TrackingNet 和 LaSOT 等大规模数据集上有监督方法的表现水平。
Apr, 2022
通过对比侧面乳房 X 射线摄影图像来训练神经网络,以实现全面无监督的方式区分异常病变和背景组织,从而实现乳房补丁分类任务中的卓越性能。
Jan, 2024
本文提出了一种无需修改分割训练过程的弱监督训练方法,通过精心设计给定边界框的输入标签,经过单一训练循环即可达到先前算法的弱监督结果并能够抵达完全监督模型的约 95% 的语义标注和实例分割质量。
Mar, 2016
本研究提出了一种基于上下文引导和非成对辅助的弱监督人物搜索框架,其中引入了一种新的上下文引导聚类算法来利用聚类过程中的上下文信息和一个非成对辅助存储器单元来通过远离操作来区分未成对和成对的人。
Mar, 2022
本研究介绍了一种半监督框架,通过一个辅助模型和一个自我纠正模块,在只有一小部分完全有监督图像的基础上,使用具有目标边界框标签的图像和只有目标边界框标签的图像集(称为弱集),训练出高质量的语义分割模型,这种方法比传统大量完全有监督数据模型要求的标注工作量减少~7 倍。
Nov, 2018
本文提出了一个由多个孪生网络组成的模型,仅使用关于数据样本对之间相似性的信息进行训练,而无需明确标记的数据样本,从而将活动数据样本映射为固定大小的表示向量,使表征空间中的向量之间的距离近似于输入空间中数据样本的相似性,因此该训练模型可以作为一种度量标准用于各种不同的聚类算法,文中通过对三个数据集进行评估,验证了该模型在连续人体活动序列的分割和识别方面的有效性。
Jul, 2023