Jun, 2024

MMCL：基于 Deformable DETR 的检测器通过多类别最小边际对比学习提升卓越禁止物品检测

PDF
TL;DR禁止物品在 X 射线图像中的检测是一种最有效的安全检查方法，然而，与自然光图像不同，X 射线图像中的独特重叠现象导致前景和背景特征的耦合，从而降低了一般物体检测器的准确性。因此，我们提出了一种多类最小间隔对比学习（MMCL）方法，在可变形 DETR 体系结构下明确内容查询的类别语义信息，帮助模型从耦合特征中提取特定类别的前景信息。
发现论文，激发创造
  • ProbMCL：简单的多标签视觉分类概率对比学习

    在多标签图像分类任务中，我们提出了一种名为 Probabilistic Multi-label Contrastive Learning (ProbMCL) 的新框架，通过结合有监督对比学习和混合密度网络来解决现有方法中的挑战，并在计算机视觉和医学影像领域的数据集上验证了其有效性和低计算成本。

    Jan, 2024

  • 多实例课程学习用于弱监督目标检测

    该研究使用物体分割指导模型正确定位物体，使用 “多示例课程学习” 方法逐渐拓展训练集，获得了比现有方法更好的效果。

    Nov, 2017

  • CLIP 的多模态多标签分类

    设计一个学习算法来处理图像和文本两个数据源，通过使用对比语言图像预训练作为特征提取器并探索不同的分类头、融合方法和损失函数来学习全面的语义特征表示，最终在公共 Kaggle 竞赛排行榜上获得超过 90% 的 F_1 分数。本文通过实验结果提供了新的训练方法和定量分析的详细描述。

    Jun, 2024

  • 多模态对比学习的泛化性

    本文通过建立多模态对称矩阵分解和对称矩阵分解的内在联系，证明了多模态对比学习在图像下游任务中的泛化保证，并通过统一模型表明多模态对比学习隐含地通过文本对生成了伪正对，从而具有更多的语义一致和多样性正对，可显著提高基于自我监督的对比学习在图像分类中的性能。

    Jun, 2023

  • 多模式对比学习对分布偏移的鲁棒性

    通过分析多模态对比学习 (MMCL) 方法，我们揭示了其在学习鲁棒表示方面的两种机制：类内对比机制和跨类特征共享机制，这两种机制防止了训练数据中过度呈现的虚假特征对通用核心特征的影响，从而在分布偏移下实现了更优的零样本分类精度。

    Oct, 2023

  • 基于 Robust CLIP 的检测器用于揭示扩散模型生成的图像

    通过使用 CLIP 模型提取的图像和文本特征以及多层感知器（MLP）分类器，本研究引入了一个强大的检测框架，并提出了一种能够改善检测器鲁棒性的新型损失函数，以及在模型训练中平整化损失函数空间从而改善检测器的泛化能力。通过大量实验证明了我们方法的有效性，超越了传统检测技术，在 DM 生成的图像检测领域有望成为新的最先进方法。

    Apr, 2024

  • AO-DETR：针对 X 射线禁止物品检测的反重叠 DETR

    禁止项目检测中 X 射线图像的抗重叠 DETR（AO-DETR）是一种基于 DINO 的最新一代目标检测器之一，通过采用类特定一对一分配策略和前向稠密方案解决了重叠现象带来的特征耦合和边缘模糊问题，并在 PIXray 和 OPIXray 数据集上的实验证明了其在禁止项目检测领域的潜在应用。

    Mar, 2024

  • 主动深度物体检测分类委员会

    本文提出了一种基于分类委员会的主动深度目标检测方法，通过引入多个分类器的差异机制来选择样本，从而培训目标对象检测器。实验结果表明，该方法优于现有的主动学习方法，验证了该方法的有效性。

    Aug, 2023

  • Meta-DETR: 利用跨类别相关性的图像级少样本检测

    本文介绍的 Meta-DETR 是一种基于元学习的图像级 few-shot 目标检测器，其挖掘了不同类别之间的相关性进行学习，避免低质量的区域提议问题，取得了很好的检测精度。

    Jul, 2022

  • Meta-DETR: 利用类别内部关联的图像级少样本目标检测

    该文研究了 Few-Shot Object Detection 的元学习，提出了一种 Meta-DETR 框架，该框架利用关联聚合和 DETR 检测框架实现元学习，避免使用预测不准的区域建议，提升了知识泛化能力，在多个少样本目标检测基准测试中优于现有方法。

    Mar, 2021