CVPRDec, 2022

无监督目标定位：观察背景发现物体

PDF
TL;DR从背景入手，在不需要强烈假设对象本身的情况下，提出了一个基于特征检测的模型 FOUND，用于无监督的显著性检测和对象发现，并在这些任务上取得了国际领先的成果。
self-supervised learningunsupervised object discoverybackground identificationsaliency detectionsemantic segmentation
发现论文，激发创造
  • 面向大规模图像集合的无监督多目标发现

    该论文提出了一个基于无监督学习的物体发现方法，其中包括了基于显著性的边界提取算法以及采用层次结构与两阶段策略提高发现效率。通过使用小型随机图片集和整个图片集合，该方法能够发现每张图片中的多个目标，实现了对面向真实大规模图像数据集的无监督图像解释的重要的一步。

    Jul, 2020

  • LOCATE：基于流引导图割和自主引导自训练的自监督目标发现

    利用动态信息和外观信息，我们提出了一种自我监督的目标发现方法，该方法能够生成高质量的目标分割遮罩，并在多个基准测试中取得与现有方法相媲美甚至超越的结果。

    Aug, 2023

  • 从视频中无监督学习，用于检测单张图像中的前景物体

    本研究致力于解决视觉数据无监督学习中的目标检测问题，使用包含深度神经网络的学生路径来训练模型，该模型可以在测试时明显优于无监督视频发现教师，并在 YouTube 视频数据集和目标发现数据集等基准测试中取得了最先进的结果，测试时比其他方法至少快两个数量级。

    Mar, 2017

  • 自监督 ViTs 时代的无监督对象定位调查

    最近对开放式视觉系统的热情表明了社区在封闭词汇基准设置之外进行感知任务的高度兴趣。在不事先知道数据集中包含哪些对象的情况下，能够在图像 / 视频中发现对象是一个令人兴奋的前景。最近的研究表明，通过利用自我监督预训练特征，可以进行无类别无监督的对象定位。在自我监督 ViT 的时代，我们在此提出一种调查无监督对象定位方法，其能够在图像中发现对象而无需任何手动注释。我们在以下链接中汇总了所讨论方法的资源库：this https URL

    Oct, 2023

  • 自监督表示学习的定位加速

    通过数据驱动的前景显著性估计和复制粘贴来生成图像视图，实现对背景不变性的学习，从而训练代表性忽略背景内容并专注于前景的对比学习模型，并实现了在 ImageNet 分类和 PASCAL VOC、MSCOCO 目标检测上的显著性能提升。

    Apr, 2020

  • 有效选择高概率正特征实现视频中的无监督物体分割

    本文提出了一种有效的无监督方法，基于高可能的正面特征的自动选择和学习，生成前景对象软分割遮罩

    Apr, 2017

  • 学习仅需最少监督的物体定位

    本论文提出了一种新方法，通过图像级标签，结合判别子模块覆盖问题和平滑的潜在 SVM 公式，实现仅需很少的监督，即可学习定位对象。实验表明，该方法在 PASCAL VOC 2007 检测中，相对于现有技术有 50％的平均精确度提升。

    Mar, 2014

  • 深度神经网络自学目标定位

    介绍了一种新方法，利用深度卷积神经网络对整张图片进行训练，以在不额外进行人工监督的情况下定位图像中的物体，并将该思想嵌入凝聚聚类技术中，产生自学习定位假设。实验证明，使用我们的方法自动生成的注释可用于训练物体探测器，产生接近于手动注释的边界框的识别结果。

    Sep, 2014

  • 走向自主监督的全流程无监督显著性检测

    自我监督的端到端显著目标检测框架基于对比学习构建了最具教导性分割引导的位置映射，并通过细节增强模块丰富了位置标签的详细信息；此外，通过设计一种新的无监督非显著对象抑制（UNSS）方法，该方法能够忽略非显著对象。在基准数据集上的大量实验证明我们的方法在近期的端到端方法和大多数多阶段解决方案中取得了领先的性能。

    Oct, 2023

  • 发现可移动的物体

    本文针对对象发现这一问题，通过选择动态对象并使用自编码器提取图像特征并加入来自运动分割的弱学习信号，成功地从复杂场景中分离出运动和静止的动态对象，相较于其它抽象特征的方法在 KITTI 数据集上有更好的表现。

    Mar, 2022