May, 2023

使用单点监督学习遥感目标检测

PDF
TL;DR本文提出针对遥感领域中单点监督的 PSOD 方法，并采用点标签升级器和稀疏特征引导语义预测模块等技术解决了密集和动态尺度遥感图像中 PSOD 方法的挑战， 在 DOTA 数据集上取得了显著优于现有方法的性能，与基于图像和点级别监督的检测方法相比，缩小了 PSOD 和 BBox 级别监督目标检测之间的性能差距。
pointly supervised object detectionremote sensingpsodpoint label upgradersparse feature guided semantic prediction
发现论文，激发创造
  • 半监督遥感图像目标检测中的非策划未标记数据

    我们在遥感图像目标检测中探讨了一种在未筛选的未标记数据上进行半监督学习的方法，该方法使用标记的分布数据动态构建类别特征库，并通过与特征库中的条目进行比较计算 OOD 分数，有效过滤 OOD 样本。通过在 DIOR 和 DOTA 两个广泛使用的遥感目标检测数据集上进行的实验，我们证明了我们提出的方法在 RSIs 中实现开放集半监督目标检测方面具有卓越的性能和效果。

    Oct, 2023

  • 通过单点监督的点对盒子网络，实现精准物体检测

    本文提出了 Point-to-Box Network (P2BNet) 方法，通过生成锚点式的建议来构建平衡的物体提议包，进而解决了单点监督目标检测方法存在的低性能问题。使用级联技术进一步提高了模型在 MS COCO 数据集上的表现。

    Jul, 2022

  • 基于密集学习的半监督目标检测

    本研究提出了一种基于 DenSe Learning 的锚点自由的半监督目标检测算法，其中包含自适应过滤策略、聚合型教师以及跨尺度不确定性一致性正则化等多种新技术，与 MS-COCO 和 PASCAL-VOC 等数据集上得到的实验结果表明，该方法在半监督目标检测性能上取得了新的最优结果。

    Apr, 2022

  • 遥感图像中的弱半监督目标检测

    利用弱监督的深度学习模型和少量边界框标记图像，可以在遥感图像中检测物体，从而减少对边界框标记的依赖，提高模型性能。

    Nov, 2023

  • SOOD：半监督定向物体检测

    本文提出了一种新型的半监督定向目标检测模型，通过两种损失函数来提供更好的监督，实现对航空场景中定向目标检测的有效探索，超越了现有的半监督目标检测方法，并在 DOTA-v1.5 基准测试中达到了更好的效果。

    Apr, 2023

  • 从头开始使用深度监督进行物体检测

    提出 Deeply Supervised Object Detectors（DSOD）框架，实现可以从头开始训练的目标检测器。通过 Layer-wise Dense 连接在主干网和预测层之间实现深度监督，DSOD 能在 PASCAL VOC 和 COCO 数据集上取得比现有方法更好的检测结果，并使用更小的模型参数。

    Sep, 2018

  • SOOD++：利用无标签数据提升有向物体检测

    通过使用无标签数据提升目标检测器的半监督方法，我们提出了一种简单而有效的半监督定向目标检测方法 SOOD++，该方法在多方向对象和航拍图像方面获得了较好的结果。

    Jul, 2024

  • 遥感中的小样本目标检测：解除不完全注释的新颖目标的诅咒

    提出了一种基于自我训练的少样本目标检测 (ST-FSOD) 方法，通过引入自我训练机制和学生 - 教师机制，在少样本细调过程中发现未标注的新对象，并在训练过程中考虑它们。实验结果表明，该方法在各种少样本目标检测设置中优于现有技术。

    Sep, 2023

  • 稀疏化生成：通过点进行弱监督的稀疏伪标签生成

    通过稀疏生成方法和协调计算，提出了一种稀疏伪标签方法，间接获得高质量伪标签，解决了在少量监督注释数据情况下模型密度问题。在三个数据集上的实验证明，该方法在整体性能指标方面具有显著优势。

    Mar, 2024

  • 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