目标检测的核心集选择
深度学习算法中,通过核心集选择来减少计算成本和加速数据处理。在满足模型性能的前提下,通过优先级顺序,我们提出了一种创新方法来选择尽可能小的核心集,以更低的成本和更高的加速度实现更好的模型性能。
Nov, 2023
本文提出 DeepCore 库,并对目前主要的 coreset 选择方法在 CIFAR10 和 ImageNet 数据集上进行了实证研究,结果表明,虽然各种方法在某些实验设置上具有优势,但随机选择仍然是一个强有力的基准。
Apr, 2022
本文提出了一种更具挑战性的新的 CoSOD 基准数据集 CoSOD3k,整合了现有的 SOD 技术以构建统一的可训练 CoSOD 框架 CoEG-Net,并全面总结了 40 项尖端算法,并在三个挑战性的 CoSOD 数据集上进行了性能分析,旨在推动 CoSOD 社区的发展。
Jul, 2020
本文介绍了一个在线核心集选择算法(Online Coreset Selection),通过该算法可以从数据集中选择最具代表性和信息量最大的样本,从而来改善连续学习过程中的遗忘问题,提高模型的效果和效率。该算法在多个标准、不平衡和有噪声的数据集上得到了验证,并且相对于其他算法具有更好的抗遗忘特性和样本利用率。
Jun, 2021
Co-Salient Object Detection (CoSOD) is improved by introducing a new training set called CoSINe dataset, allowing better performance with fewer images compared to existing datasets. Hierarchical Instance-aware COnsensus MinEr (HICOME) approach efficiently mines consensus features and achieves state-of-the-art performance on existing CoSOD test sets.
Jan, 2024
为提高共显著目标检测模型的鲁棒性,在开放世界场景下处理无关图像时引入了一种群组选择性交换掩模 (GSEM) 方法。GSEM 采用两组图像作为输入,每组包含不同类型的显著对象,并使用一种基于学习的策略选择每组中的子集图像,并进行交换。为同时考虑不相关图像引入的不确定性和群组中其余相关图像的一致特征,设计了潜变量生成器分支和共显著目标检测转换器分支,最终通过基于 Transformer 的解码器生成鲁棒预测结果。构建了三个开放世界基准数据集 OWCoSal、OWCoSOD 和 OWCoCA 来评估模型的鲁棒性和实用性。
Oct, 2023
给定一组图像,合作显著目标检测(CoSOD)的目标是突出显示每个图像中的共同显著对象。本文提出了一种基于分层 Transformer 模块的方法,用于提取语义级共识,以获得对公共对象类别更全面的表示,并排除与目标对象具有局部相似性的其他对象的干扰。此外,还提出了一种基于 Transformer 的分散模块,它考虑了不同场景中协同显著对象的变化。它以图像特征图的图像特定方式对共识进行分发,同时充分利用组内的交互。这两个模块与 ViT 编码器和类似 FPN 的解码器一起集成成一个可端到端训练的网络,不需要额外的分支和辅助损失。该方法在三个常用的 CoSOD 数据集上进行评估,并取得了最先进的性能。
Sep, 2023
本文研究一次性 coreset 选择,提出一种新的度量方法来度量训练数据集在特定分布下的覆盖率,将整体数据覆盖率与每个样本的重要性同时考虑,提出了 Coverage-centric Coreset Selection(CCS)方法,利用 CCS 在高精简率(例如 90%)时得到的精度显著高于之前的 SOTA 方法以及随机选择方法,并且在低精简率时具有类似的精度。
Oct, 2022
本文介绍了一种基于多目标进化算法的新型候选核心集优化方法,该方法可以同时最小化点集数量和分类误差,实验结果表明该方法比现有的核心集发现技术具有更好的性能。
Feb, 2020
探索了无需训练过程的零样本共显目标检测框架,结合了零样本转移能力的计算机视觉模型,通过引入群组提示生成模块和共生图生成模块,实现了令人印象深刻的结果,超过了现有无监督方法并且在 2020 年之前的全监督方法上也表现出良好竞争力。
Sep, 2023