关键词weakly-supervised object localization
搜索结果 - 10
- 基于双流注视的主动视觉学习
基于 “双流假设” 的二元流视觉学习框架通过模拟人类视觉皮层的神经处理机制，利用深度神经网络来处理输入图像，实现了物体属性的预测和边界框的定位。
- 多尺度视觉转换器在弱监督目标定位中的深度聚类引导精炼
该研究论文提出了一种利用弱监督目标定位来学习物体定位的方法，通过多尺度物体定位变换器（MOLT）和深度聚类引导精化方法提高了定位准确度，并在公开的 ILSVRC-2012 数据集上进行了实验证明了该方法的有效性。
- DiPS: 自监督变换器鉴别性伪标签采样用于弱监督目标定位
引入了判别伪标签采样（DiPS）来利用无监督模型生成的类别无关地图进行弱监督目标定位（WSOL），并设计了基于 Transformer 的 WSOL 模型，使用 DiPS 生成的伪标签进行分类和定位任务训练，实验结果表明该架构与 Trans - 通过反事实学习减轻弱监督目标定位中的偏置激活
本文研究基于类激活映射（CAM）的弱监督物体定位方法中偏置激活的问题，分析了其原因，基于此设计了一个新的 Counterfactual Co-occurring Learning（CCL）范例，并将 Counterfactual-CAM 集 - 开放世界弱监督目标定位
通过提出一种弱监督对象定位任务 OWSOL (Open-World Weakly-Supervised Object Localization), 并使用一个对比学习方法 (co-learning) 将有标签和无标签数据进行降维表示，通过聚 - ICCV弱监督目标定位中的归一化重要性
本文提出新的正则化方法，从而可以提高弱监督目标定位方法的性能，实验结果表明，新的方法能够在三个数据集上显著提高性能。
- CVPR弱监督物体定位的评价：协议、度量和数据集
本文提出一个新的评估协议，将完全监督仅限于一个小的保留数据集，观察了最近五种 WSOL 方法与 CAM 基线的比较并发现没有显著的改进，并提出未来 WSOL 的研究方向建议。
- CVPR评估弱监督目标定位方法
本文提出了一种新的评估协议，其中完全监督仅限于与测试集不重叠的少量保留集，进一步验证了在只有图像级标签的情况下 WSOL 任务是存在问题的，而实现了评估协议的五种最新 WSOL 方法并没有显著优于 CAM 基线，同时我们还发现现有 WSOL - 弱监督目标定位的改进技术
本文提供了一种改进的技术，用于弱监督目标定位，通过数据增强和卷积神经网络的学习优化，与当前最先进的技术相比，可以将 Top-1 的定位准确性提高 21.4% 至 37.3%。
- 通过微注释提高弱监督目标定位的准确性
本文提出了一种通过特定注释和深度网络中间表示的聚类与标签分配来改善弱监督下物体定位失败的方法，并在 ILSVC2014 和 PASCAL VOC2012 数据集上得到了显著改进的结果。