Nov, 2022

全局与局部的结合：基于类别感知弱监督的有效多标签图像分类

HTML
PDF
TL;DR该研究构建了一个统一框架，以执行有效的噪声提议抑制并相互作用全局和局部特征进行稳健的特征学习，包括使用类别感知弱监督来集中注意力于不存在的类别为本地特征学习提供确定性信息，以及开发跨粒度注意力模块来探索全局和局部特征之间的互补信息。在 MS-COCO 和 VOC 2007 两个大规模数据集上的广泛实验表明，该框架优于最先进的方法。
发现论文，激发创造
  • 基于区域潜在语义相关性的多标签图像分类

    本论文提出了一种区域潜在语义依赖模型，该模型使用卷积神经网络和递归神经网络相结合，能够有效预测多标签图像分类中小物体和视觉概念，同时不需要使用边框注释实现最佳性能。

    Dec, 2016

  • 利用图像级监督学习空间规则化的多标签图像分类

    本文提出了一种统一的深度神经网络模型，旨在解决多标签图像分类中标签的空间关系的问题。同时，该模型能够有效地利用语义和空间关系来提高分类性能，且只需要使用图像级别的监督信息进行端到端训练。实验表明，该模型在多个公共数据集上均具有较强的泛化能力，并且明显优于其他同类模型。

    Feb, 2017

  • 全局和局部标签相关性的多标签学习

    本文提出了一种新的多标签方法GLOCAL，通过学习潜在标签表示和优化标签流形，同时处理全标签和缺失标签情况，从而利用全局和局部标签相关性，且实验证明了该方法的有效性。

    Apr, 2017

  • 基于循环发现注意力区域的多标签图像识别

    本文提出了一种利用深度学习技术中的循环记忆-关注模块来实现图像多标签分类识别的新方法。通过不使用候选区域提取方法，从卷积特征图中定位注意区域，并使用 LSTM 子网络对这些区域进行语义标记和全局依赖性的序列预测。试验表明该方法在识别准确率和效率上均优于现有技术。

    Nov, 2017

  • 基于弱监督学习的多证据过滤与融合方法用于多标签分类、目标检测和语义分割

    该论文提出了一种弱监督课程学习流程，用于多标签对象识别、检测和语义分割的任务，其中包括四个阶段，包括训练图像的对象定位、筛选和融合对象实例、像素标注以及基于任务的网络训练，通过这种流程，实现了在MS-COCO、PASCAL VOC 2007和PASCAL VOC 2012数据集上进行多标签图像分类以及弱监督对象检测和语义分割的最新成果。

    Feb, 2018

  • 基于弱监督检测知识蒸馏的多标签图像分类

    本文提出了一种基于深度学习并利用弱监督检测模型去除物体标注信息的多标签图像分类方法，该方法能有效提高性能并保持高效。实验证明该方法在两个大型数据集（MS-COCO和NUS-WIDE）上均优于现有的先进方法。

    Sep, 2018

  • 多标签分类中最小化监督

    本研究探究了在进行多标签分类时，使用带每个类别的弱位置信息的方法来提高分类精度，同时采用主动学习策略，通过选择样本和获得反馈进行逐步监督，结果表明我们的方法与基线相比，在多个基准数据集和模型组合中表现均优秀，用此方法能够在 VOC 2007 和 2012 的数据集上，只使用20%的样本就可以保留超过98%的完全监督性能。

    May, 2020

  • 学习发现多类别注意力区域用于多标签图像识别

    本文提出了一种简单而高效的双流框架方法，使用全局图像到局部区域的方法识别多类别目标，并提出了多类关注区域模块（MCAR）来解决关注区域数量过多，生成复杂问题，这种方法仅使用图像语义就可以创建新的最佳结果，并在不同因素下进行了广泛的展示。

    Jul, 2020

  • 重新标记ImageNet：从单标签到多标签，从全局标签到本地标签

    本文中，我们重新给ImageNet数据集打上多标签，并显示了使用有限多标签进行训练的图像分类模型的性能提升。

    Jan, 2021

  • 多个噪声部分标注者中学习

    本文提出了一种基于概率生成模型的能够估计多个噪声偏差的部分标注工具并扩展了程序化弱监督的基础，通过对3个文本分类和6个对象分类任务的评估，证明了部分标注的效果可达到8.6%的平均准确率提高，进而探讨了部分标注在零样本对象分类任务中的应用以及与最新零样本学习方法相比的效果。

    Jun, 2021