ECCVJul, 2022

不准确边界框下鲁棒物体检测

PDF
TL;DR本文旨在提出一种基于对象感知多实例学习的方法来学习对不准确边界框具有鲁棒性的对象探测器。通过选取准确的实例并生成高质量实例来最小化误差和提高精度。实验结果表明，该方法在合成和真实嘈杂数据集上均有效。
发现论文，激发创造
  • 面向具有噪声标注的抗噪声目标检测

    本文提出了一种训练目标检测器的框架，该框架可以处理含有混合标签噪声和边界框噪声的嘈杂标注数据，并通过交替噪声校正和模型训练来共同优化目标标签、边界框坐标和模型参数，其方法通过执行两个步骤来分离标签噪声和边界框噪声，并在 PASCAL VOC 和 MS-COCO 数据集上获得了良好的实验效果。

    Mar, 2020

  • 视觉对象检测的多锚点学习

    本文提出了一种使用多个关键点选择和转化特征点来优化视觉目标检测器的方法，经过与 Clssification 和 Localisation 模型的联合优化，该模型在多个基准测试中都得到了显著的性能提升。

    Dec, 2019

  • 多层多实例弱监督目标定位

    本文介绍了一种采用多实例学习方法、利用二进制标签训练目标探测器并推断正样本中物体的位置的弱监督学习方法，旨在解决目标分类定位问题，同时提出了一种多因素多实例学习流程和窗口细化方法，将之应用于高维特征，例如 Fisher 向量和卷积神经网络特征，并在使用 PASCAL VOC 2007 测试集进行实验验证其有效性。

    Mar, 2015

  • 目标检测中的嘈杂标注精炼

    本研究提出了一种新的方法来在包含类标注和边界框注释的噪声数据集上训练目标检测器，能高效地分离这些噪音并进行纠正，使训练得到的检测器能够显著优于基准检测器。

    Oct, 2021

  • 在线实例分类器细化的多实例检测网络

    利用多实例学习（MIL）问题形成的弱监督探测方案，使用在线实例分类器细化算法，基于深度学习结合 MIL 和实例分类器细化程序实现了端到端的训练，通过挖掘空间上的突出实例进行类别提升，最终在挑战 PASCAL VOC 数据集上取得明显优于目前最先进的 47% mAP 的结果。

    Apr, 2017

  • 目标检测的多实例主动学习

    本文提出了一种基于多实例学习的主动物体检测方法，使用对抗实例分类器来预测未标记集合的实例不确定性，并通过多实例学习的方法来评估图像不确定性，以减少噪音实例的影响，实验证明该方法在小标记集合上具有显著的优势。

    Apr, 2021

  • 重复标注在目标检测中绘制相同边界框两次的处理方法

    本文提出了一种新颖的定位算法，将联合定位和分类任务转化为仅分类问题，从而实现了基于期望最大化（EM）或多数投票（MJV）等技术的应用，并在测试数据的唯一真值聚合方面展示了优异性能。

    Sep, 2023

  • 物体检测数据集中的噪声标签处理

    该研究探讨了利用自信学习算法来改善训练数据集的质量，通过发现原始训练数据集中的错误标签，可以消除其根源上的错误样本并重新标注可疑的边界框来提高数据集的质量，最终提高目标检测算法的性能。

    Nov, 2022

  • 不准确边界框目标检测的空间自我蒸馏

    通过空间自蒸馏对象检测器 (SSD-Det) 以及空间信息和类别信息的结合，利用模糊边界框的监督来改善对象检测，提高注释质量。在 MS-COCO 和 VOC 数据集上的实验证实了该方法的有效性，达到了最新的性能水平。

    Jul, 2023

  • 面向精确的端到端弱监督物体检测网络

    本论文提出一种通过端到端的方式联合训练多阶段模型来解决弱监督目标检测网络中的对象位置精确预测问题的方法，该方法引入了多例学习、包围框回归和分类损失引导的注意力模块等多种算法，实验结果表明该方法能够达到最佳的性能表现。

    Nov, 2019