Apr, 2023

开放世界弱监督目标定位

PDF
TL;DR通过提出一种弱监督对象定位任务 OWSOL (Open-World Weakly-Supervised Object Localization), 并使用一个对比学习方法 (co-learning) 将有标签和无标签数据进行降维表示，通过聚类方法识别有标签数据的类别，最终生成出一个完整的广义类反激活 (Generalized Class Activation Map) 用于对象定位，并提出了多个语义中心点驱动的对比损失 (contrastive loss), 使得算法在 ImageNet-1K 和 iNatLoc500 数据集等 OWL 识别基准上超过所有基线，具有较大的性能优势。
发现论文，激发创造
  • 评估弱监督目标定位方法

    本文提出了一种新的评估协议，其中完全监督仅限于与测试集不重叠的少量保留集，进一步验证了在只有图像级标签的情况下 WSOL 任务是存在问题的，而实现了评估协议的五种最新 WSOL 方法并没有显著优于 CAM 基线，同时我们还发现现有 WSOL 方法并未达到在不同情况下采用完全监督的训练基线水平，提出了 WSOL 未来的一些方向。

    Jan, 2020

  • 重新思考弱监督目标定位的路线

    本文提出了一种新的弱监督目标定位方法，称为伪监督目标定位（PSOL）方法，将弱监督目标定位分为类不可知对象定位和对象分类两个部分，并使用 PSOL 方法生成噪声伪标注来进行类不可知对象定位，并在此基础上进行边界框回归，通过此方法生成的伪边界框，在未进行精调的情况下，在 ImageNet 数据集上实现了 58.00% 的定位精度和 CUB-200 数据集上的 74.97% 的定位精度，具有很好的可迁移性。

    Feb, 2020

  • 弱监督物体定位中的本地化反思

    通过引入二分类检测器和加权熵损失函数，提出了一种改进的弱监督目标定位方法，解决了现有方法中单类回归和噪声边界框带来的限制和问题。在 CUB-200-2011 和 ImageNet-1K 数据集上的实验结果表明了我们方法的有效性。

    Aug, 2023

  • 弱监督物体定位的评价：协议、度量和数据集

    本文提出一个新的评估协议，将完全监督仅限于一个小的保留数据集，观察了最近五种 WSOL 方法与 CAM 基线的比较并发现没有显著的改进，并提出未来 WSOL 的研究方向建议。

    Jul, 2020

  • 弱监督目标定位的逐对相似度知识转移

    本研究旨在通过使用一个完全标注的源数据集，研究使用仅弱标注的图像标签来学习定位模型的问题，并提出了一种基于类内成对相似度函数的新方法来代替过去使用的仅学习物体性分数的弱知识转移方法。通过在 COCO 和 ILSVRC 2013 检测数据集上的实验，我们展示了该方法的有效性。

    Mar, 2020

  • 使用样本内对比学习和一致性注意力进行弱监督目标定位

    本文提出了一种对弱监督对象定位进行背景辅助的方法，该方法旨在使用对比度关注损失，前景一致性损失和非局部注意力块来提高各层次对目标的感知，进而实现更高的图像定位精度。

    Sep, 2020

  • 弱监督物体定位的真实模型选择

    使用无需手动边框注释的模糊伪框，提出一种新的 WSOL 验证协议，该协议可用于模型选择，并通过实验证明其性能接近使用真实边框选择的模型，优于仅使用图像类别标签选择的模型。

    Apr, 2024

  • 弱监督目标定位与域自适应

    本文采用领域适应任务的视角，提出了一种 DA-WSOL 流程，旨在通过目标采样策略、多领域适应本地化损失函数和 Universum 正则化等方法来解决 WSOL 中存在的激活问题，进而提高弱监督对象定位的表现。实验表明，该流程在多个基准测试上优于现有技术，可通过 https://github.com/zh460045050/DA-WSOL_CVPR2022 下载到源代码。

    Mar, 2022

  • 弱监督目标定位中的归一化重要性

    本文提出新的正则化方法，从而可以提高弱监督目标定位方法的性能，实验结果表明，新的方法能够在三个数据集上显著提高性能。

    Jul, 2021

  • 基于低层特征的激活图在线细化方法用于弱监督物体定位

    该论文提出了一个两阶段的学习框架来实现弱监督物体定位，通过低层次特征激活图实现物体的定位，并且使用加权熵损失，关注擦除和区域损失来减少激活的不确定性，该方法在 CUB-200-2011 和 ImageNet-1K 数据集上表现优秀，成为 WSOL 方面最新的国际领先方法。

    Oct, 2021