Oct, 2023

目标检测的半监督和弱监督域泛化

PDF
TL;DR在目标检测中，提出了半监督领域通用目标检测（SS-DGOD）和弱监督领域通用目标检测（WS-DGOD）两种新的问题设置，利用师生学习框架在仅使用来自一个领域标记数据和来自多个领域的无标记或弱标记数据进行训练，并证明了在此设置下训练的目标检测器明显优于基线检测器，并与无监督领域自适应（UDA）设置下训练的目标检测器性能相媲美或更好，同时与 UDA 相比，不需要使用目标领域数据进行训练。
domain generalizationobject detectionsemi-supervisedweakly-supervisedstudent-teacher learning framework
发现论文，激发创造
  • 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

  • 通过渐进式域自适应进行跨领域弱监督物体检测

    本文提出了一种跨域弱监督目标检测的框架，通过对源领域上有实例级别注释的图像和目标领域上仅有图像级别注释的图像进行双重领域适应技术进行微调，取得了 5 到 20 个百分点的均值平均精度改进。

    Mar, 2018

  • W2N: 从弱监督到嘈杂监督的物体检测转换

    提出一种新的 WSOD 框架，通过采用 W2N 范式将弱监督转换为噪声监督，提供了一个两模块迭代训练算法来改善用于监督半监督检测框架的伪标签，并获得更好的物体检测器。

    Jul, 2022

  • 针对目标检测的目标感知域泛化

    单域泛化（S-DG）方法用于将模型推广到未知环境，但大多数方法局限于分类领域，在目标检测中会导致语义特征损坏，我们提出一种面向目标检测的目标感知领域泛化（OA-DG）方法，包括数据增强和训练策略（OA-Mix 和 OA-Loss），通过生成多域数据和学习域不变表示，我们的方法在标准基准上优于现有研究。

    Dec, 2023

  • 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

  • 基于语义引导的特征对齐的目标检测半监督域泛化

    本文通过探索视觉语言预训练和通过语言空间强制特征对齐，首次解决了半监督领域泛化问题。我们提出了一种新颖的跨域描述多尺度学习（CDDMSL）方法，在嵌入空间中最大化了具有不同领域特性的图像描述之间的一致性。CDDMSL 在领域泛化和域自适应设置中显著优于现有方法，分别实现了 11.7% 和 7.5% 的改进。全面的分析和消融研究确认了我们方法的有效性，将 CDDMSL 定位为物体检测任务中领域泛化的有希望的方法。

    Sep, 2023

  • 目标检测中的域通用化

    本篇文章主要讨论对象检测中的领域泛化问题（DGOD），提出了一种综合评估标准对检测器进行评估，并提出了一种名为 Region Aware Proposal reweighTing (RAPT) 的新方法，以消除 RoI 特征内的依赖性。实验表明，我们的方法优于其他最先进的对手。

    Mar, 2022

  • 基于深度特征的多实例学习用于极端领域变化下的弱监督目标检测

    研究使用多实例方法和预先训练的深度特征进行弱监督物体检测，不需要微调或跨域学习，在非摄影数据集上表现优秀，包括绘画、水彩画、剪贴画和漫画等。

    Aug, 2020

  • 更好的伪标签：用于半监督领域通用问题的联合领域感知标签和双分类器

    本文提出了一种新颖的深度框架，利用半监督域泛化技术，通过联合领域感知标签和双分类器生成高质量的伪标签来解决从观察源域到预测未知目标域之间的领域差异问题，同时当准确的伪标签为无标签源域生成时，使用域混合操作增加标记和未标记域之间的新域，有助于提高模型的泛化能力，并在公开的 DG 基准数据集上展示了所提出的 SSDG 方法的有效性。

    Oct, 2021

  • 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