Jun, 2024

基于负样本原型的对比学习用于无监督目标检测

PDF
TL;DR利用弱监督图像级别注释进行弱监督目标检测（WSOD）近年来引起了广泛关注。本文提出了负样本原型引导的对比学习（NPGC）架构，通过定义负样本原型、构建全局特征库、采样可靠实例以及在嵌入空间中进行对比学习来优化提案的特征表示，实现了最先进的检测性能。
weakly supervised object detectionimage-level annotationnegative prototypes guided contrastive learningcategory positive featurecontrastive learning
发现论文，激发创造
  • 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

  • 通过交互式对比学习上下文信息实现精准弱监督目标检测

    本文提出了一种交互式端到端弱监督物体检测框架 iGCL，通过引入两种针对 WSOD 特定的上下文信息和交互式图对比学习机制，实现更好的检测性能。在 PASCAL VOC 和 MS COCO 基准测试上，该框架表现优于其他最先进方法和基准模型。

    Apr, 2023

  • 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

  • 弱监督对比学习

    提出了一种基于弱监督对比学习的框架 (WCL)，该框架使用两个投影头进行正则的实例区分任务，一头使用基于图形的方法找到相似的样本并生成弱标签，另一头使用这些弱标签进行有监督的对比学习任务，以拉近相似图像之间的距离。WCL 旨在解决现有对比学习框架中的类冲突问题，并在不同的数据集上提高了自监督表示品质，尤其是在半监督学习中达到了新的最优结果。

    Oct, 2021

  • 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

  • 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

  • 一种原型语义解耦方法通过联合对比学习用于少样本命名实体识别

    本文提出了一种通过联合对比学习实现原型语义解耦的方法 ——PSDC，以应对现有基于原型的序列标注模型往往会记忆实体提及的问题，PSDC 采用两种掩码策略将类别特定原型和上下文语义原型进行解耦，以便模型专注于两种不同的语义信息以进行推理，实验结果表明 PSDC 在两个 few-shot NER 基准测试中表现出了优秀的性能。

    Feb, 2023

  • 基于语义引导的零样本目标检测对比网络

    ContrastZSD 是一种用于零样本目标检测的基于语义指导对比学习的检测框架，它通过引入显式的语义指导和对比学习机制，来优化模型对未见过类别的认知，同时改善视觉特征结构以实现更好的视觉 - 语义对齐。

    Sep, 2021

  • 对比学习的增量式虚假负例检测

    本研究提出了一个新的自监督对比学习框架，该框架在训练过程中动态检测错误负样本并加以删除，在多个基准测试中表现优于其他自监督对比学习方法。

    Jun, 2021