自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+
  • 博客(7)
  • 收藏
  • 关注

原创 【论文笔记】Prompt-Guided Zero-Shot Anomaly Action Recognitionusing Pretrained Deep Skeleton Features

本文的任务是实现对人体行为的零样本异常检测,发表子在CVPR2023。

2023-12-14 19:31:28 555 1

原创 【CVPR2023-论文笔记】《Bidirectional Copy-Paste for Semi-Supervised Medical Image Segmentation》

本文研究的领域是半监督语义分割,半监督的意思就是利用少量的有标注数据和大量的无标注据实现语义分割任务。目前半监督的难点在于网络从有标注数据和无标注数据中学习到的分布不一致,或者说没有学习到共同的语义特征,从下图可以看出。在半监督任务中解决这个问题的一种办法是采用对称的方法来使用两种数据,从而保持两个分布之间的一致性。比如使用Mean Teacher和self-training,这也是本文采用的框架。

2023-05-19 00:18:31 939 3

原创 【论文笔记】《RecursiveMix: Mixed Learning with History》

多尺度融合,multi-scale,历史信息融合,mix

2022-10-31 21:40:41 218 2

原创 【cvpr2022-论文笔记】《Multi-class Token Transformer for Weakly Supervised Semantic Segmentation》

本文的方向是弱监督语义分割,伪标签使用Vision Transformer分类架构来生成,使用image-level的标注信息理解本文需要了解传统卷积网络生成CAM的过程,并且要懂ViT的自注意力模块文章把他们的模型分为了 V1 和 更丰富的V2两个版本 ,下面分别来说MCTformer-V1上面就是整体的网络结构图首先按照ViT的做法,把图片切成N*N个patch,每个patch拉成一个向量,embedding之后每个patch向量维度为D,本文把这些patch向量称为pat

2022-10-16 17:55:57 2109 5

原创 【cvpr2022-论文笔记】《L2G: A Simple Local-to-Global Knowledge Transfer .... Semantic Segmentation》

本文的研究领域为弱监督语义分割,这个方面的相关基础知识可以看我之前的博客,重点是CAM的理解和弱监督的含义,就不再赘述了。作者的baseline仍然是使用分类网络进行类激活映射,来利用image-level的标注信息,生成伪标签然后去直接训练分割网络。但是他指出,传统的CAM生成的伪标签会丢失很多细节信息,所以训练时把原图进行裁剪生成若干个patches(文中提供了随机裁剪和均匀裁剪两种方式),把这些局部视野像全局视野那样去训练,因为局部视野激活后往往含有更加细节的信息。

2022-10-03 13:56:30 1616 4

原创 【cvpr2022-论文笔记】《Class Re-Activation Maps for Weakly-Supervised Semantic Segmentation》

弱监督语义分割,CVPR2022,使用图片级多分类标注文件,训练多分类模型获取CAM激活图作为种子区域——SeedGeneration,然后据此生成伪标签——MaskGeneration把伪标签当作ground-truth直接训练分割网络本文重点在于SeedGeneration以及Loss函数的调整,其余技术均借鉴其他研究成果。下图为第二个步骤,SeedGeneration采用本文独创的ReCAM,图中MaskGeneration展示了多种可选方法。第一、三步骤直接引用常规模型。............

2022-07-30 20:05:50 3217 3

原创 【eccv2016-论文笔记】《Seed, Expand and Constrain: ... Weakly-Supervised Image Segmentation》

弱监督语义分割领域经典架构SEC——弱监督应用到语义分割领域使用现有的分类或目标检测模型(拥有分类或检测的标注文件)实现语义分割任务,目的为节省昂贵的pixel-level像素级的标注成本。大多将弱监督应用到语义分割的流程为利用现有的分类或检测的标注文件通过某种算法(如CAM)得到粗粒度即不精确的分割标注文件,也叫pseudo-label伪标签,直接使用伪标签训练分割网络,最后再通过某种算法(如CRF)对结果进行优化。也就是说大多的弱监督研究重点在于如何更好的生成伪标签,即更好的训练生成网络。.......

2022-07-19 12:59:50 1187 2

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章?
取消 删除