弱监督目标定位中分类和定位之间的填补
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
本文提出了一种名为 BagCAMs 的插入式机制,使用该机制可以让弱监督目标定位方法(WSOL)的性能得到大幅提高,并在三个 WSOL 基准测试上获得最佳表现。BagCAMs 采用了区域本地化器生成(RLG)策略来定义一组区域本地化器,并从训练有素的分类器中导出它们。
Jul, 2022
本文提出了两种表示规范机制:完整区域规范化和公共区域规范化,以解决弱监督目标定位中存在的对象覆盖不准确的问题,并且在 ImageNet,CUB-200-2011 和 OpenImages-segmentation 数据集上得到了显著优于现有方法的结果。
Apr, 2021
该论文提出了一个两阶段的学习框架来实现弱监督物体定位,通过低层次特征激活图实现物体的定位,并且使用加权熵损失,关注擦除和区域损失来减少激活的不确定性,该方法在 CUB-200-2011 和 ImageNet-1K 数据集上表现优秀,成为 WSOL 方面最新的国际领先方法。
Oct, 2021
本文提出了一种新的弱监督目标定位方法,称为伪监督目标定位(PSOL)方法,将弱监督目标定位分为类不可知对象定位和对象分类两个部分,并使用 PSOL 方法生成噪声伪标注来进行类不可知对象定位,并在此基础上进行边界框回归,通过此方法生成的伪边界框,在未进行精调的情况下,在 ImageNet 数据集上实现了 58.00% 的定位精度和 CUB-200 数据集上的 74.97% 的定位精度,具有很好的可迁移性。
Feb, 2020
该论文提出了一种名为 NL-CCAM 的弱监督目标定位方法,通过使用组合类别激活映射,将非局部模块集成到现有的基础网络中,在代表性的目标定位基准测试中取得了卓越的性能,同时证明了所提出方法的广泛适用性。
Oct, 2019
本文提出了一种新的评估协议,其中完全监督仅限于与测试集不重叠的少量保留集,进一步验证了在只有图像级标签的情况下 WSOL 任务是存在问题的,而实现了评估协议的五种最新 WSOL 方法并没有显著优于 CAM 基线,同时我们还发现现有 WSOL 方法并未达到在不同情况下采用完全监督的训练基线水平,提出了 WSOL 未来的一些方向。
Jan, 2020
本文综述了弱监督物体定位和检测领域中的经典模型、深度网络特征表示法、基于纯深度学习的方法及公共数据集和标准评估指标等内容。同时也讨论了该领域的发展历程、方法类别间的关系、应用以及未来研究方向等。
Apr, 2021
该研究提出了使用无标签图像数据进行不需要图像级监督的类无关激活图生成的对比学习方法(Contrastive learning for Class-agnostic Activation Map),得到了更完整的物体区域,并应用于弱监督目标定位和语义分割中。
Mar, 2022