ALWOD: 弱监督目标检测的主动学习

ICCVSep, 2023

ALWOD: Active Learning for Weakly-Supervised Object Detection

Yuting Wang, Velibor Ilic, Jiatong Li, Branislav Kisacanin, Vladimir Pavlovic

TL;DRALWOD 是一种综合使用主动学习、弱监督学习和半监督学习范式的新框架，通过利用极小标记集合和大型弱标记图像集合的辅助图像生成策略来初始化模型，利用学生 - 教师目标检测对的不一致性和不确定性来选择最有信息量的图像进行注释，并引入了一种新的标注任务，基于模型提出的检测进行人工标记的选择和修正，实现了快速而有效的标注过程，从而显著缩小了只使用部分标记但经过策略选择的图像实例进行训练的目标检测模型和仅依赖完全标记数据进行训练的模型之间的差距。

Abstract

object detection (OD), a crucial vision task, remains challenged by the lack of large training datasets with precise object localization labels. In this work, we propose ALWOD, a new framework that addresses this problem by fusing →

object detection active learning weakly supervised learning semi-supervised learning annotation

发现论文，激发创造

半监督开放世界物体检测

本研究提出了一种名为 SS-OWOD 的半监督开放世界检测方法，该方法通过减少注释成本，利用特征对齐和伪标签策略在遥感物体检测中取得了良好的效果。

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

弱监督目标检测中的物体感知实例标注

本文提出更有效的实例标记方法，利用上下文分类损失方法解决物体部分区域被错误标记的问题并通过空间限制标记负对象，应用于 PASCAL VOC 2007 和 2012 数据集进行训练，在弱监督物体检测领域取得了一定的突破。

Aug, 2019

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

基于自适应课程学习的弱监督目标检测中的显著性检测

本文提出一种利用自我学习课程计划的方法，通过显著性检测将其应用于弱监督目标检测 (WOD) 任务中，从而逐渐实现对于从易到难的多类物品的忠实知识，并取得了最先进的弱监督物体检测结果。

Mar, 2017

弱监督开放词汇物体检测

提出了一种弱监督开放式词汇目标检测（WSOVOD）框架，扩展了传统的弱监督目标检测方法，实现了对新概念的检测和仅使用图像级别标注的多样数据集的利用。

Dec, 2023

利用弱监督物体检测中的不稳定性

提出了一种以多个检测分支为基础的弱监督物体检测方法，通过不同的初始化方式来利用不稳定性从而提高性能，在 PASCAL VOC 基准测试中达到了最新的最优性能表现。

Jun, 2019

HUWSOD: 统一弱监督目标检测的全面自学习

本文介绍了一种统一的，高容量的弱监督目标检测网络 HUWSOD，它利用了一个全面的自我训练框架，在不需要外部模块或额外监督的情况下生成候选区域。HUWSOD 创新性地结合了自我监督的候选生成器和自编码器候选生成器，以及多速率重采样金字塔，取代了传统的目标候选提案，实现了端到端的弱监督目标检测训练和推断。另外，我们实现了一个整体的自我训练方案，通过逐步熵最小化和一致性约束正则化来完善检测得分和坐标，确保在同一图像的随机增强中得出一致的预测。基于对 PASCAL VOC 和 MS COCO 的广泛实验证明，HUWSOD 与最先进的弱监督目标检测方法相媲美，消除了离线提案和额外数据的需求。HUWSOD 的最佳性能接近于完全监督的 Faster R-CNN。我们的研究结果还表明，虽然与精心设计的离线目标提案有明显差异，但随机初始化的框对于弱监督目标检测的训练是有效的。

Jun, 2024

基于显著性引导的弱监督物体检测的端到端学习

本文主要研究弱监督物体检测（WSOD）中缺乏位置监督的问题，并将显著性集成到深度网络中，对高置信对象提出类别特定的显著性，这些特定的位置信息、语义信息和显著信息来显式监督网络，并通过预测网络隐式地指导本地化过程，实现了端到端的训练，实验结果表明，我们的方法优于所有最先进的方法。

Jun, 2017

WSSOD: 弱监督和半监督目标检测的新流水线

本文提出了一种弱 / 半监督目标检测框架 (WSSOD)，通过在联合数据集上训练代理检测器，进而在弱标注图像上预测伪包围框，提出了弱监督损失 (WSL)、标签注意力和随机伪标签采样策略来放宽当前半监督流程的假设，并为检测管道的有效性带来额外的改进。这个框架在 PASCAL-VOC 和 MSCOCO 基准测试中展示了显著的性能，只有三分之一的注释数据就能达到与完全监督相同的高性能。

May, 2021