Jan, 2022

基于区域的半监督稀疏标注目标检测方法

PDF
TL;DR本文提出一种基于区域的半监督算法，用于解决稀疏标注数据中缺失标注信息的物体检测问题，实验表明该算法在 PASCAL-VOC 数据集中取得了最优性能。
object detectionmissing annotationssemi-supervisedforeground objectspascal-voc
发现论文，激发创造
  • 稀疏标注数据下的半监督目标检测

    使用基于单一物体跟踪和半监督学习的方法，对于 IoU 稀疏注释的目标检测，自动生成密集注释用于训练目标检测器，从而在 Epic-Kitchens 2020 目标检测挑战中获得了第一名和亚军的成绩（在不同测试集上）。

    Jun, 2020

  • Co-mining：稀疏标注目标检测的自监督学习

    本文提出了一个名为 Co-mining 的机制，它使用 Siamese 网络进行多视角学习和更好地挖掘未标注实例，从而用于大多数现代物体检测器的一般训练机制，该机制在 MS COCO 数据集上进行了实验，通过在 RetinaNet 上应用 Co-mining，在三个不同的稀疏标注设置下，性能得到了改善。

    Dec, 2020

  • 使用伪标签的半监督视频显著目标检测

    本论文提出了一种基于半监督学习的视频显著性目标检测方法，使用伪标签从稀疏注释帧中生成像素级伪标签，并结合部分手动注释，学习了空间和时间线索，进而产生准确的显著性图。实验结果表明，我们的方法在 VOS、DAVIS 和 FBMS 三个公共基准测试数据集上均明显优于所有最先进的全监督方法。

    Aug, 2019

  • 区域不确定性量化的半监督学习来对抗噪声

    本文提出了一种基于区域不确定性的抗噪半监督学习方法，通过多峰概率分布输出引入不确定性以实现抗噪学习，并在 PASCAL VOC 和 MS COCO 上的实验结果表明了该方法的卓越性能。

    Nov, 2021

  • 学习仅需最少监督的物体定位

    本论文提出了一种新方法，通过图像级标签，结合判别子模块覆盖问题和平滑的潜在 SVM 公式，实现仅需很少的监督，即可学习定位对象。实验表明，该方法在 PASCAL VOC 2007 检测中，相对于现有技术有 50％的平均精确度提升。

    Mar, 2014

  • 基于数据不确定性引导的半监督目标检测多阶段学习

    本文提出了基于数据不确定性引导的多阶段学习方法和图像不确定性引导简单数据选择和感兴趣区域重新加权方法，能够充分考虑不同类型的未标记图像并将不同阶段的模型集成在一起，从而使半监督目标检测器更加聚焦于更可靠的知识，实验结果表明，该方法与基线方法相比具有显著的优势。

    Mar, 2021

  • 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

  • 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

  • 稠密标签对于点云三维物体检测总是必要的吗？

    使用稀疏标注框架和新方法 SS3D++，以较少的注释成本在 KITTI 和 Waymo 数据集上实现了与弱监督和完全监督方法相当甚至更好的三维物体检测性能。

    Mar, 2024

  • 增强的少样本目标检测的改进区域建议网络

    我们开发了一种半监督算法，通过检测和利用未标记的新颖对象来改善少样本目标检测的性能。我们的方法使用层次化三元分类算法以区分这些对象，并通过改善区域提议网络的感知能力来提高目标检测模型对大型对象的检测性能。实验结果表明，我们的方法是有效的，并且优于现有的少样本目标检测方法。

    Aug, 2023