Apr, 2023

蒙特卡罗线性聚类结合单点监督足以用于红外小目标检测

PDF
TL;DR本文提出了一种新方法，使用单点监督来缓解红外小目标检测中昂贵训练数据的注释负担，并通过引入聚类方法的随机性和 “蒙特卡罗” 聚类方法来精确恢复拟似掩码，从而将任意完全监督的小目标检测网络转变为仅具有单点注释的弱监督网络。实验证明，该方法可以达到与完全监督网络相当的性能，揭示了单点监督的强大性。
infraredsmall target detectiondeep learningsingle-point supervisionclustering
发现论文，激发创造
  • 点击 - 遮罩：基于水平集的红外小目标检测的高效标注框架

    这篇论文提出了一种劳动效率高且粗略标注框架，通过使用级数集来获得仅需一次粗略点击即可得到高质量伪掩码，解决了因小目标尺寸和过度正则化导致的零水平轮廓消失的问题，实验表明该方法在 NUAA-SIRST 和 IRSTD-1k 数据集上具有优异的性能。

    Oct, 2023

  • 基于自监督学习的大规模负样本合成技术在红外小目标检测中的应用

    通过负样本增强方法，本研究提出了一种针对红外小目标检测的算法，与其他最先进方法相比，在概率检测率（Pd）、虚警率（Fa）和交并比（IoU）等方面取得了卓越的性能。

    Mar, 2024

  • 将退化与标签演化映射：使用单点监督学习红外小目标检测

    本研究旨在利用点级别监督来实现红外小目标检测，使用标签演化框架（LESPS）扩展点标签，使网络预测可以逐渐逼近更新的伪标签，从而实现端到端训练，并通过广泛的可视化实验证明了我们方法的有效性，达到了超过 70％和 95％的像素级联合交集和目标级探测概率的全监督性能。

    Apr, 2023

  • 使用点监督的弱监督显著物体检测

    本文采用点监督的方法提出一种新的弱监督显著性物体检测方法，并使用自适应遮罩洪水填充算法生成伪标签，和基于 Transformer 的模型进行训练，同时提出了一种 Non-Salient Suppression（NSS）方法来针对第一轮训练中生成的错误显著性标签进行优化，并应用于第二次训练中，最终在五个基准数据集上证明该方法优于其他先前的监督学习方法和完全监督的最新模型。

    Mar, 2022

  • 通过后验分布建模减轻红外小目标检测的目标级不敏感性

    本文提出了一种用于红外小目标检测的扩散模型框架，通过模拟像素级判别与掩模后验分布建模相结合，转变了从判别范式到生成范式的方法，以绕过目标级的不敏感性，并设计了小波域中的低频隔离以抑制内在红外噪声对扩散噪声估计的干扰。实验证明，该方法在 NUAA-SIRST、IRSTD-1k 和 NUDT-SIRST 数据集上相对于最先进的方法具有竞争性的性能优势。

    Mar, 2024

  • 点级监督实例分割

    提出了基于单点标注的弱监督实例分割方法，通过该方法，仅标注每个物体的随机 10 个点就能够达到 94% 至 98% 的全监督效果，比全物体标注的方法快 5 倍，同时提出了一种新的基于点标注的 PointRend 实例分割模型，称为 Implicit PointRend。

    Apr, 2021

  • iSmallNet：具有标签解耦的密集嵌套网络用于红外小目标检测

    本文提出了一种多流密集嵌套网络 iSmallNet，配合标签解耦技术针对红外小目标检测中常见的背景杂乱、易错报和 CNN 无法识别等问题，在内部地图和边界地图上解决源标签分布不均的问题，并引入多尺度嵌套交互模块和内部 - 边界融合模块以增强整个网络的性能，实验结果表明 iSmallNet 比其他 11 种最先进的检测器表现更好。

    Oct, 2022

  • 红外小目标检测的尺度和位置敏感性

    使用更有效但结构简单的损失函数提高检测性能，通过引入基于目标尺度的权重和基于目标中心点的惩罚项处理现有损失的局限性，并设计了一个简单的多尺度头部结构，通过在每个预测尺度上应用 Scale and Location Sensitive (SLS) 损失函数，超过现有最先进方法的检测性能。

    Mar, 2024

  • 点级监督的全景分割

    本文提出了一种新的弱监督全景分割方法，使用逐点标注替代像全监督方法那样使用像素级标签，通过构建端到端的框架同时从逐点标签生成全景伪掩模进行学习，最小化像素到点间的遍历成本以模拟语义相似性、低级纹理线索及高层流形知识，以实现像素解析。在实验中，本文基于 Pascal VOC 及 MS COCO 数据集证明了此方法的有效性及其领先的性能。

    Oct, 2022

  • 单镜头自监督粒子跟踪

    提出了一种名为 LodeSTAR 的新型深度学习方法，可以在单个未标记的实验图像中学习以亚像素级精度跟踪对象。 该算法利用了数据的旋转平移对称性，并扩展了可测量的粒子属性，可以加速高质量的微观分析流水线的发展。

    Feb, 2022