MMNov, 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

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
  • 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

  • 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

  • ContextLocNet: 上下文感知的弱监督本地化深度网络模型

    该研究利用图像级别监督，通过引入两种上下文感知的模型来实现目标在图像中的定位，加性模型和对比模型有助于定位目标的位置，在 Pascal VOC2007 和 2012 测试中表现出较好的效果。

    Sep, 2016

  • 利用边界框注释进行多标签物体识别

    本文提出了一种基于卷积神经网络的多视图多实例框架，用于提高物体检测中的特征表达和泛化能力，通过利用局部信息、弱标签和强标签有效地识别包含多个物体的多标签图像，实验结果表明该框架具有优异的鉴别力和泛化能力。

    Apr, 2015

  • 使用深度特征图进行弱监督定位

    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

  • 通过微注释提高弱监督目标定位的准确性

    本文提出了一种通过特定注释和深度网络中间表示的聚类与标签分配来改善弱监督下物体定位失败的方法，并在 ILSVC2014 和 PASCAL VOC2012 数据集上得到了显著改进的结果。

    May, 2016

  • 基于分割协作的弱监督目标检测

    本文提出了一种新型的端到端弱监督检测方法，将引入的生成对抗分割模块与传统检测模块相互作用，充分利用弱监督定位任务的互补解释，即检测与分割任务，形成更全面的解决方案，从而获得更精确的对象边界框。

    Apr, 2019

  • 弱监督目标定位中分类和定位之间的填补

    本研究提出了一个新的方法，通过特征方向的对齐来解决分类和定位之间的不匹配问题，实现了基于弱监督的目标定位的最先进性能。

    Apr, 2022