关键词semi-supervised object detection
搜索结果 - 40
- SOOD++:利用无标签数据提升有向物体检测
通过使用无标签数据提升目标检测器的半监督方法,我们提出了一种简单而有效的半监督定向目标检测方法 SOOD++,该方法在多方向对象和航拍图像方面获得了较好的结果。
- 合作监督的力量:增强的三维半监督目标检测的多教师框架
为了确保自主驾驶平台的安全行驶,除了开发高性能的物体检测技术外,还需要建立一个反映各种城市环境和物体特征的多样化和代表性的数据集。为了解决这两个问题,我们构建了一个多类别的 3D LiDAR 数据集,反映了多样化的城市环境和物体特征,并开发 - 教师协作的半监督目标检测
利用半监督物体检测方法 (SSOD) 的 Collaboration of Teachers Framework (CTF) 可以提高未标记数据的利用率,避免伪标签的循环数据流确认偏差,并且可以与其他主流 SSOD 方法集成。
- ICCV基于梯度的采样方法用于类别不平衡的半监督目标检测
当前半监督目标检测算法通常假设类别平衡的数据集(如 PASCAL VOC 等)或类别稍不平衡的数据集(如 MS-COCO 等),然而真实世界的数据集往往具有极度的类别不平衡性,从而使半监督目标检测器的性能远远不令人满意。为了弥补这一研究空白 - CVPRSeMoLi: 随波逐流
我们提供了一种基于运动线索的半监督目标检测方法,结合启发式聚类方法和物体跟踪器,使用运动物体的伪标签作为监督信号,在 Lidar 数据中训练三维物体检测器。我们通过利用场景流估计中的最新进展获取点轨迹,并从中提取长期的、与类别无关的运动模式 - 目标检测与少数类共识关注
使用修改的共识焦点和基于源置信度的投票系统,该研究提出了一种半监督和长尾目标检测方法,通过在目标标签空间中选择各个类别的相关性,放宽了少数类别边界框的抑制,从而比 NMS、soft-NMS 和 WBF 等方法获得更高的置信度和更准确的边界框 - 可信的半监督开放场景物体检测教师
通过采用可信教师模型,本研究提出了一种端到端框架,使用灵活的标签来防止不确定的伪标签对模型的误导,逐步减少其不确定性,并通过其他可信伪标签的指导有效地抑制 O-SSOD 引起的负面影响,并且在实证结果中显著优于现有的对应模型。
- Diffusion-SS3D:半监督三维物体检测的扩散模型
通过扩散模型来提高伪标签的质量,以实现半监督三维物体检测,改进了现有方法的性能,获得了最先进的结果。
- 自适应密集伪标签筛选用于半监督导向目标检测
通过设计自适应机制来指导稠密伪标签的选择,提出了一种用于半监督定向目标检测的自适应稠密伪标签选择方法(ADPLS)。该方法在稀缺标记数据情况下,在 DOTA-v1.5 基准测试中表现出色。
- 重新思考半监督目标检测对于航空影像中的尺度不平衡
本文研究了半监督目标检测在航空图像中存在的尺度不平衡问题,并提出了适应性阈值判别、尺度再平衡标签分配和教师引导负样本学习等关键组件,以实现尺度无偏学习。通过对 DOTA-v1.5 基准上的广泛实验,证明了我们提出的方法在性能上优于现有竞争方 - 半监督遥感图像目标检测中的非策划未标记数据
我们在遥感图像目标检测中探讨了一种在未筛选的未标记数据上进行半监督学习的方法,该方法使用标记的分布数据动态构建类别特征库,并通过与特征库中的条目进行比较计算 OOD 分数,有效过滤 OOD 样本。通过在 DIOR 和 DOTA 两个广泛使用 - 开放世界中的半监督目标检测
在这篇论文中,我们提出了一个名为 Open World Semi-supervised Detection(OWSSD)的框架,该框架通过一种轻量级的自编码器网络对进行过 ID 数据训练从而有效地检测 OOD 数据,并从中学习,我们通过大量 - 基于训练的模型细化和表示分歧的半监督目标检测
通过提出一种新的训练模型细化阶段和简单而有效的表示不一致策略来解决半监督目标检测方法中的限制,该方法通过使用级联回归生成更可靠的伪标签来监督学生模型,实验证明该方法在 MS-COCO 数据集上相对于现有方法的平均 mAP 增益分别为 4.6 - CVPRSemi-DETR: 基于检测 Transformer 的半监督目标检测
我们提出了 Semi-DETR,一个基于 transformer 的端到端半监督物体检测器,通过阶段混合匹配策略、跨视图查询一致性方法和基于代价的伪标签挖掘模块解决 DETR 中存在的问题,并在 COCO 和 Pascal VOC 基准数据 - 半监督物体检测中的低置信度样本挖掘
该论文提出了一种新颖的低置信度样本挖掘方法(Low-Confidence Samples Mining,LSM),该方法能够有效地利用低置信度的伪标签实现半监督目标检测(SSOD),并通过自蒸馏的方法弥补两者的不足,该方法在 5% 标注比率 - 半监督式目标检测:近期研究和发展综述
本文综述了半监督目标检测的五个方面,包括数据增强、数据标注、损失函数和常见基准数据集等。通过对各种方法的比较和分析,为读者提供了对该领域研究现状和未来发展方向的深入了解。
- CVPR重访类别不平衡对于端到端半监督目标检测的影响
本文提出了一种新的半监督目标检测方法,该方法在假标签生成器方面引入了新的学习机制以提高标签生成质量,并介绍了自适应阈值机制和 Jitter-Bagging 模块以提高边界框的精度和定位准确性,通过在教师网络上使用强调重和弱增强数据的严格监督 - CVPRSOOD:半监督定向物体检测
本文提出了一种新型的半监督定向目标检测模型,通过两种损失函数来提供更好的监督,实现对航空场景中定向目标检测的有效探索,超越了现有的半监督目标检测方法,并在 DOTA-v1.5 基准测试中达到了更好的效果。
- CVPR稠密目标检测的抗歧义半监督学习
提出了一种对抗 Selection ambiguity 和 Assignment ambiguity 的 Ambiguity-Resistant Semi-supervised Learning (ARSL) 方法,使用 Joint-Con - CVPR半监督对象检测的主动教师
本文研究了教师 - 学生学习的数据初始化问题,并提出了一种称为 Active Teacher 的新算法,用于半监督目标检测。Active Teacher 可以最大限度地利用有限的标签信息来提高半监督的性能。我们在 MS-COCO 基准测试上