CVPRJan, 2022

解耦使得弱监督本地特征更好

PDF
TL;DR本文提出了针对弱监督本地特征学习量身定制的解耦式描述 - 检测管道，通过引入按线查找策略以明确利用相机姿态信息来学习更好的描述符，并解耦检测步骤直到学习到具有辨别能力和鲁棒性的描述符后推迟其进行，其方法名为 PoSFeat（相机姿态监督特征），广泛实验证明其优于以往的完全和弱监督方法，并在广泛的下游任务中实现了最先进的性能）。
weakly supervised learninglocal feature methodsdescribe-then-detect pipelinecamera posestate-of-the-art performance
发现论文，激发创造
  • 使用相机姿态监督学习特征描述符

    本文介绍了一种基于相对相机位姿的学习框架，采用新的损失函数和模型架构，可以弱监督学习特征描述符，从而避免了精确的像素级匹配，为更大更多样化的数据集训练描述符提供了可能。通过该框架训练的 CAmera Pose Supervised 描述符甚至优于过去的有监督描述符，实现了多种几何任务的最先进性能。

    Apr, 2020

  • ReDFeat: 多模态特征学习中的重耦合检测和描述

    本文利用互相关联的检测和描述特点的相互加权策略进行多模态特征学习，提出了具有大触发范围的 Super Detector 和 learnable 非最大抑制层的 detector，并提出了可评估特征匹配和图像注册任务性能的基准系统，实验证明本文的方法可以显著提高匹配的准确性及训练的稳定性。

    May, 2022

  • 深度自学习用于弱监督目标定位

    提出一种使用深度自我学习方法进行弱监督定位的实现，以获取可靠的正样本，并通过一个在线支持的样本收获方案去动态地选择最有信心的正样本以达到相互促进。

    Apr, 2017

  • 弱监督目标检测的协作学习

    本文提出了一个简单而有效的弱监督协作学习框架，旨在解决在弱监督目标检测中经常出现的标注准确性与模型准确性之间的矛盾，并在 PASCAL VOC 2007 和 2012 数据集上进行了广泛的实验证明了其有效性。

    Feb, 2018

  • 使用深度特征图进行弱监督定位

    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

  • 学习协变特征检测器

    本文提出了第一个完全通用的局部协变特征检测器学习方法，将检测视为回归问题，使用深度神经网络等强大的回归器，提出了一个可以用于自动学习提供局部特征检测稳定锚点的协方差约束，并在标准特征基准测试中展示了平移和旋转协变检测器的实证结果。

    May, 2016

  • 3DFeat-Net: 基于弱监督的点云局部 3D 特征匹配

    本文提出 3DFeat-Net 算法，利用弱监督学习 3D 特征检测器和描述符，通过对齐和注意机制学习 GPS/INS 标记的 3D 点云的特征对应关系，无需显式指定匹配点群，实验表明其在室外重力对齐数据集上取得了最优表现。

    Jul, 2018

  • 基于弱监督学习的多证据过滤与融合方法用于多标签分类、目标检测和语义分割

    该论文提出了一种弱监督课程学习流程，用于多标签对象识别、检测和语义分割的任务，其中包括四个阶段，包括训练图像的对象定位、筛选和融合对象实例、像素标注以及基于任务的网络训练，通过这种流程，实现了在 MS-COCO、PASCAL VOC 2007 和 PASCAL VOC 2012 数据集上进行多标签图像分类以及弱监督对象检测和语义分割的最新成果。

    Feb, 2018

  • 自迁移学习用于全弱监督目标定位

    本文主要研究深度学习在对象定位领域中的应用以及如何借助弱监督学习方法实现对象定位，特别关注了在医学图像分析中如何利用 self-transfer learning 方法来解决没有预先训练模型的情况。

    Feb, 2016

  • ASLFeat: 学习准确形状和定位的本地特征

    ASLFeat 是一种新的本地特征检测器和描述符结合的方法，使用可变形卷积网络估计本地特征点的形状，从而实现更强的几何不变性。此外，ASLFeat 使用层次结构以恢复空间分辨率和局部细节，并通过尖锐度测量来推导最有指示性的检测分数，以进一步提高检测精度和可靠性，并可在各种实际场景中获得最新的研究成果。

    Mar, 2020