CVPRApr, 2022

ViTOL: 弱监督目标定位的视觉 Transformer

PDF
TL;DR我们提出了一种名为 ViTOL 的方法来处理弱监督目标定位问题，在自我关注和渐变关注实现的基础上，引入了基于补丁的关注中断层 (p-ADL) 用于增加定位图的覆盖范围，并且使用基于类别的注意力图生成机制来解决类不可知的问题，并在 ImageNet-1K 和 CUB 数据集上取得了 70.47% 和 73.17% 的最新结果。
weakly supervised object localizationimage classificationvision-based transformerself-attentiongradient attention rollout
发现论文，激发创造
  • 重新思考弱监督目标定位的路线

    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

  • 基于注意力机制的弱监督目标定位的 Dropout 层

    本文提出了一种注意力分布特征 (ADL) 的弱监督目标定位技术，利用自注意机制对模型的特征图进行处理，旨在实现对目标的完整覆盖和信息突出。实验证明该方法有效提高了目标识别率和检测精度，在 CUB-200-2011 数据集中实现了最新的定位精度记录。

    Aug, 2019

  • 使用样本内对比学习和一致性注意力进行弱监督目标定位

    本文提出了一种对弱监督对象定位进行背景辅助的方法，该方法旨在使用对比度关注损失，前景一致性损失和非局部注意力块来提高各层次对目标的感知，进而实现更高的图像定位精度。

    Sep, 2020

  • 弱监督物体定位中的本地化反思

    通过引入二分类检测器和加权熵损失函数，提出了一种改进的弱监督目标定位方法，解决了现有方法中单类回归和噪声边界框带来的限制和问题。在 CUB-200-2011 和 ImageNet-1K 数据集上的实验结果表明了我们方法的有效性。

    Aug, 2023

  • 多尺度视觉转换器在弱监督目标定位中的深度聚类引导精炼

    该研究论文提出了一种利用弱监督目标定位来学习物体定位的方法，通过多尺度物体定位变换器（MOLT）和深度聚类引导精化方法提高了定位准确度，并在公开的 ILSVRC-2012 数据集上进行了实验证明了该方法的有效性。

    Dec, 2023

  • 弱监督目标定位与域自适应

    本文采用领域适应任务的视角，提出了一种 DA-WSOL 流程，旨在通过目标采样策略、多领域适应本地化损失函数和 Universum 正则化等方法来解决 WSOL 中存在的激活问题，进而提高弱监督对象定位的表现。实验表明，该流程在多个基准测试上优于现有技术，可通过 https://github.com/zh460045050/DA-WSOL_CVPR2022 下载到源代码。

    Mar, 2022

  • 评估弱监督目标定位方法

    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

  • 弱监督物体定位的真实模型选择

    使用无需手动边框注释的模糊伪框，提出一种新的 WSOL 验证协议，该协议可用于模型选择，并通过实验证明其性能接近使用真实边框选择的模型，优于仅使用图像类别标签选择的模型。

    Apr, 2024

  • 基于 Transformer 的弱监督目标定位及隐式空间校准

    该论文介绍了一种用于高精度弱监督下物体定位的外部模块 —— 空间校准模块（SCM），用于调整 Transformer 的长程建模，以帮助捕捉物体的空间一致性，提高训练期间的信息传输效率和生成的注意力图的边界精度，从而显着提高了性能表现。

    Jul, 2022

  • 弱监督目标定位的逐对相似度知识转移

    本研究旨在通过使用一个完全标注的源数据集，研究使用仅弱标注的图像标签来学习定位模型的问题，并提出了一种基于类内成对相似度函数的新方法来代替过去使用的仅学习物体性分数的弱知识转移方法。通过在 COCO 和 ILSVRC 2013 检测数据集上的实验，我们展示了该方法的有效性。

    Mar, 2020