- 无监督发现目标中心神经场
我们研究了从单一图像中推断 3D 物体中心场景表示的方法,并通过分开建模内外在属性来改善现有的无监督学习方法的局限性,使其能够从稀疏的现实世界图像中无监督地学习高保真的物体中心场景表示。
- 基于循环一致性的物体发现
提出一种基于 Cycle-Consistency 约束的槽位方法,该方法在目标发现表现方面提高了性能,并且学到的槽位对下游强化学习具有优越的适用性。
- CVPR通用实例感知作为物体发现和检索
本文提出了一个称之为 UNINEXT 的通用实例感知模型,它将各种实例感知任务重新制定为统一的对象发现和检索范式,并且可以灵活地通过更改输入提示来感知不同类型的对象。这个统一的公式带来了以下好处:(1) 可以利用来自不同任务和标签词汇的大量 - 不变槽注意力机制:基于槽中心参考系的物体发现
本文介绍了一种通过基于槽的神经网络、空间对称和基于槽的参考帧来提高目标探测的数据效率的方法,并通过多个合成和真实场景以及挑战性的数据集进行了评估和实验。
- ECCV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/ - CVPR发现可移动的物体
本文针对对象发现这一问题,通过选择动态对象并使用自编码器提取图像特征并加入来自运动分割的弱学习信号,成功地从复杂场景中分离出运动和静止的动态对象,相较于其它抽象特征的方法在 KITTI 数据集上有更好的表现。
- ECCV物体发现和表示网络
Odin 是一种自我监督学习范式,通过耦合对象发现和表征网络来自主发现有意义的图像分割,而无需人工干预,可实现 COCO 目标检测、实例分割及 PASCAL、Cityscapes 的语义分割等领域的迁移学习效果,并在 DAVIS 视频分割方 - 使用归一化切割的自监督 Transformers 进行无监督目标发现
本文提出了一种基于自监督学习训练的 Transformer 模型特征的基于图的对象发现方法,在图中进行规范化的图割以分组具有相似性区域的前景物体。该方法可以显著提高无监督对象发现的性能,也可以扩展到无监督凸显性检测和弱监督对象检测领域。
- 通过与物体交互学习物体
通过与 AI2-THOR 环境的互动,实现基于人类婴儿学习机制的计算框架,不依赖外部监督学习,从而有效地发现物体并学习物理特性。
- 使用复制粘贴生成对抗网络进行目标发现
本研究提出了一种新的基于复制 - 粘贴 GAN 框架的无监督目标发现算法,该生成器通过在两张图像间复合物体以骗过判别器来学习发现物体,该系统在四个不同的数据集上都表现优异。
- 视频中物体发现作为前景运动聚类
本文提出了一种通过前景运动聚类来为目标发现提供密集分割掩模的方法,利用像素轨迹循环神经网络学习前景像素轨迹的特征嵌入,并通过对像素轨迹进行聚类建立视频帧之间前景对象掩模之间的对应关系,在常用的运动分割数据集上实现了最新的性能表现。
- CVPR从未标注的视频中进行大规模物体发现和探测器适应
本文提出基于视频序列的目标发现和检测器适应方法,通过三个大型自动驾驶和移动机器人场景的视频数据集的应用,证明了其鲁棒性和广泛性,并提出了一种基于外观聚类的无监督物体发现方法,成功地发现了与驾驶场景相关的有趣物体,同时通过自监督检测器适应,进 - 弱监督目标分类和发现的深度补丁学习
本文提出了一种基于弱监督的学习方法,通过将图像视为一个包中的实例将其融入到深度神经网络中,将弱监督的多实例学习约束与深度神经网络集成在一起,并采用端到端的方式优化网络以实现对象分类和发现任务。在 PASCAL VOC 数据集上的测试表明,该 - 基于轻松多实例支持向量机的物体发现应用
本文提出了一种名为 RMI-SVM 的松弛多实例支持向量机方法,使用 Noisy-OR 模型强制 MIL 约束,并联合优化袋标签和实例标签,以解决传统的 MIL 问题,经实验证明,在各种基准测试中,RMI-SVM 始终实现了卓越的性能。同时