Sep, 2023

FDCNet: 特征漂移补偿网络用于渐进式弱监督目标定位

PDF
TL;DR该研究提出了一种逐步增加无监督对象定位（CI-WSOL）的方法，通过只使用图像级别的注释来增量学习新类别的对象定位，并保留对先前学习类别的定位能力。实验结果表明，该方法表现优于其他基线方法。
class-incremental weakly supervised object localizationobject localizationknowledge distillationfeature drift compensation networkbaseline methods
发现论文，激发创造
  • 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

  • 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

  • 用于类增量学习的语义漂移补偿

    该研究针对增量学习设计了一种新方法，使用嵌入网络，以自然方式加入新类别而无需添加新的权重，并且通过估计特征的语义漂移来避免严重遗忘。实验结果表明，该方法表现优异且能显著减少遗忘。

    Apr, 2020

  • 深度自学习用于弱监督目标定位

    提出一种使用深度自我学习方法进行弱监督定位的实现，以获取可靠的正样本，并通过一个在线支持的样本收获方案去动态地选择最有信心的正样本以达到相互促进。

    Apr, 2017

  • 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

  • 使用深度特征图进行弱监督定位

    本文提出了一种使用仅图像标签训练的分类网络的弱监督对象定位算法，该方法利用卷积层中捕获的局部空间和语义模式来检测和定位图像中的多个物体，通过采用有效的束搜索方法，该方法在标准对象定位数据集中明显优于现有技术，mAP 得分提高了 8 个点。

    Mar, 2016

  • 基于注意力机制的弱监督目标定位的 Dropout 层

    本文提出了一种注意力分布特征 (ADL) 的弱监督目标定位技术，利用自注意机制对模型的特征图进行处理，旨在实现对目标的完整覆盖和信息突出。实验证明该方法有效提高了目标识别率和检测精度，在 CUB-200-2011 数据集中实现了最新的定位精度记录。

    Aug, 2019

  • 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

  • 弱监督目标检测的协作学习

    本文提出了一个简单而有效的弱监督协作学习框架，旨在解决在弱监督目标检测中经常出现的标注准确性与模型准确性之间的矛盾，并在 PASCAL VOC 2007 和 2012 数据集上进行了广泛的实验证明了其有效性。

    Feb, 2018