Jul, 2023

弱监督对比学习用于无监督物体发现

PDF
TL;DR利用弱监督对比学习的语义引导自监督学习模型，在基于自我监督模型 DINO 的特征编码器上微调，采用主成分分析（PCA）来定位物体区域，实验证明了该解决方案的有效性。
unsupervised object discoverygenerative solutionsclustering methodsweakly-supervised contrastive learningprincipal component analysis
发现论文，激发创造
  • 弱监督物体检测的对比学习目标发现

    本文提出了一种名为 object discovery 的多实例标注方法以及一种名为 weakly supervised contrastive loss（WSCL）的新对比损失函数用于针对 WSOD 任务，取得了在 MS-COCO2014/2017 和 PASCAL VOC2012 数据集上的最新最好结果，以及在 PASCAL VOC2007 上的竞争结果。

    Aug, 2022

  • 大规模无监督物体发现

    提出了一种新的针对大规模数据集的无监督目标探索（UOD）形式化的排名问题方法，该方法可应用于特征自我学习，并结合各种分布式方法和链接分析，实现了完全无监督的 UOD 流程，在单目标和多目标探索方面表现良好。

    Jun, 2021

  • 无监督识别未知物体的开放世界物体检测

    该研究论文提出了一种新颖的方法，通过学习无监督的辨别模型来识别真实的未知对象，并通过无分类训练方法对模型进行进一步改进，实现在检测未知对象方面显著优于先前的方法，在 MS COCO 数据集上保持检测已知对象类别的竞争性表现，并在 LVIS 和 Objects365 数据集上实现更好的泛化能力。

    Aug, 2023

  • 提案层次的无监督域自适应方法用于开放世界无偏探测器

    本研究旨在通过重新定义任务的方式，在无监督域适应的条件下构建一个无偏的前景预测器，利用领域内不变的前景特征学习预测器，从而实现对外观变化的应对能力，本方法在各种检测框架和无监督域适应方法中可实现自适应，经 OWOD 评估验证其在性能上达到了最新水平。

    Nov, 2023

  • 使用姿态引导的二阶段聚类进行无监督地标发现的自训练

    使用自训练、聚类和伪标注方法，通过扩展传播模型的潜在特性，提出的无监督地标发现方法在多个基准测试中明显优于现有方法。

    Mar, 2024

  • WSOD^2：学习自下而上和自上而下的目标重要性提取技术用于弱监督目标检测

    本文介绍一种新型的弱监督目标检测框架 WSOD^2，该框架通过联合考虑低层测量，CNN 置信度和自适应线性组合来确定多个回归目标，并通过区域提议学习来逼近回归目标，最终取得了最先进的结果。

    Sep, 2019

  • 基于知识迁移的统一无监督显著目标检测

    提出一种用于通用无监督显著目标检测任务的统一框架，其中包括渐进式课程学习的显著性提取机制、自我矫正的伪标签优化机制和适配器调整方法，实现了在目标任务上取得更好的迁移性能。

    Apr, 2024

  • 基于对比学习的无监督学习目标检测

    我们提出了一种通过无监督 / 自监督学习训练单阶段目标检测器的创新方法，该方法有潜力彻底改变标注过程，大大减少人工标注所需的时间和成本，并为之前难以实现的研究机会铺平了道路。与现有的主要针对分类任务的无监督学习方法不同，我们的方法承担了目标检测的独特挑战，开创了 intra-image 对比学习与 inter-image 对应的概念，能够获取目标检测所需的重要位置信息。该方法熟练地学习和表示这些位置信息，并生成信息丰富的热图。我们的结果展示了 89.2% 的卓越准确率，在计算机视觉领域的无监督目标检测领域突破性地提高了 15 倍，相比随机初始化。

    Feb, 2024

  • PCL: 弱监督目标检测的提议聚类学习

    本文提出了一种新颖的深度网络用于弱监督目标检测，通过生成提案聚类来学习精细的实例分类器，能够有效防止网络过度关注物体部分而不是整体，实验表明该方法明显优于现有技术。

    Jul, 2018

  • 通过判别类原型学习的开放世界物体检测

    基于原型学习的开放世界目标检测方法 OCPL，包括 PEA、ESC、CSC 三个模块，用于学习已知类别的鉴别性嵌入以区分已知和未知类别，相关实验结果验证了该方法的有效性。

    Feb, 2023