AAAIFeb, 2022

基于不确定性感知伪标签学习的无监督域自适应显著目标检测

PDF
TL;DR通过使用合成数据集来代替传统的手动标注，本论文提出了一种新的基于不确定性自学习的无监督域适应方法，用于深度学习中的显著物体检测任务，并在多个基准数据集中取得了超过现有深度学习方法的最佳表现，甚至与全监督方法相当。
deep unsupervised learningsalient object detectionsynthetic datasetdomain adaptationself-training
发现论文，激发创造
  • 基于纹理引导的显著性蒸馏技术用于无监督显著目标检测

    这篇文章提出了一种基于深度学习的无监督显著物体检测方法，其中使用 CSD 策略来为容易和困难的样本打分，并使用 BTM 策略来细化嘈杂标签的边界。实验结果表明该方法达到了最先进的成果。

    Jul, 2022

  • 从深度提升显著性：深度无监督的 RGB-D 显著性检测

    本研究提出了一种基于深度学习和无监督学习的 RGB-D 显著目标检测方法，利用基于深度学习的迭代自动伪标签生成和注意力训练策略，无需人工像素级注释即可在无监督场景下提高 RGB-D 显著目标检测的效率和效果，同时也适用于全监督情况下的场景。

    May, 2022

  • 基于知识迁移的统一无监督显著目标检测

    提出一种用于通用无监督显著目标检测任务的统一框架，其中包括渐进式课程学习的显著性提取机制、自我矫正的伪标签优化机制和适配器调整方法，实现了在目标任务上取得更好的迁移性能。

    Apr, 2024

  • 利用图像标签进行弱监督显著目标检测

    本篇论文提出采用无监督学习方法生成的显著图用于像素级注释，在此基础上采用简单而有效的算法训练卷积神经网络，使用图形模型和完全卷积网络为模型更新修复标签歧义和更新粗糙激活地图，结果表明，该算法与目前最佳的强监管方法相当，性能明显优于所有最新的无监督显著性检测方法。

    Mar, 2018

  • 无监督域自适应目标检测的免费午餐：无需源数据

    通过建模到一个噪声标签学习问题的框架，我们提出了一种用于无需访问标签源数据的领域自适应目标检测的方法，同时还提出了一个用于生成可靠伪标签的自熵下降度量标准，并通过仿真虚假负样本进行性能的提升

    Dec, 2020

  • DeepUSPS：基于自监督的深度稳健无监督显著性预测

    提出了一种两阶段机制的方法用于非监督目标显著性预测，第一阶段使用了深度网络逐步提炼由不同手工显著性方法产生的嘈杂伪标签，其结果可用于训练第二阶段的真实显著性检测网络，该自学习过程比现有的所有非监督方法的性能都要好，甚至与完全监督的最先进方法的结果相当。

    Sep, 2019

  • 语义提炼引导显著性目标检测

    本文提出了一种基于 Vision-Transformer 的语义蒸馏协助显著目标检测方法，通过融合从生成的图像字幕中语义蒸馏的知识，可以更好地揭示物体之间、物体与环境之间的显著性，并弥补了昂贵标注的主观性不足。在五个基准数据集上的综合实验表明，SDG-SOD 在四个评估指标上优于现有技术，并大大提高了 DUTS、ECSSD、DUT、HKU-IS 和 PASCAL-S 数据集上的模型性能。

    Mar, 2022

  • 深度无监督显著性检测：多噪声标注视角

    通过学习通过由 “弱” 和 “噪声” 的非监督型手工精炼显着性方法生成的多个噪声标签，我们提出了一种新的非监督型显着性检测模型，该模型包括一个隐式显着性预测模块和一个噪声建模模块，二者协作学习，并共同优化以使我们的模型能够以概率方式处理噪声显着性图，具有可比拟的性能和优于所有非监督显着性方法的显着性检测效果。

    Mar, 2018

  • 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

  • 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