Weakly Supervised Deep Detection Networks 阅读笔记

最新推荐文章于 2022-02-27 13:25:55 发布
最新推荐文章于 2022-02-27 13:25:55 发布
阅读量8.2k 收藏
点赞数
分类专栏： 论文阅读 文章标签： deep-learning weakly supervised
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_32858815/article/details/77951859
版权
本文介绍了Weakly Supervised Deep Detection Networks的整体架构，包括预训练网络、区域级描述符、识别与检测分支，以及训练过程中的空间正则化。与其它方法对比，WSDDN的检测分支独立于识别分支，更侧重于设计。实验部分展示了WSDDN在CorLoc上的表现，尽管存在将多个对象实例归为一个框的问题，但仍然展示了其在弱监督检测中的潜力。
摘要由CSDN通过智能技术生成

Weakly Supervised Deep Detection Networks 阅读笔记

Overall architecture

 

1. Existing network(such as AlexNet pre-trained on ImageNet）

2. SPP --> region level descriptor

3. (1) class score --> recognition

(2) probability distribution(which region contains the most salient image structure) --> detection

4.  aggregate the recognition and detection scores to predict the class of image(image level supervision)

Compared with other method

1. MIL: Use the appearance model itself to perform region selection

WSDDN: detection branch is independent of recognition branch

2. Bilinear architecture: two streams are symmetric

WSDDN: detection branch is explicitly designed

Method

1. Pre-trained network

2

最低0.47元/天 解锁文章
shannanyinxiang
关注
专栏目录
Weakly Supervised Deep Detection Networks 学习笔记
qq_35408241的博客
10-24 2307
                                                    Weakly  Supervised  Deep  Detection  Networks 详细解读  论文大致意思是通过图像级的标注信息训练网络达到目标检测的目的，文中采用的方法如下图所示： abstract ：提出一种弱监督的深度检测架构，通过修改网络，只利用图像级别的标注，同时执行...
论文笔记：Weakly Supervised Deep Detection Networks
想变有趣的EMMA
02-28 5671
Weakly Supervised Deep Detection Networks 摘要：本文主要解决了大规模image-level的分类问题，可同时解决区域选择和分类问题。作为拖欠训练器来训练。引言 弱监督学习非常重要主要是由于以下两个原因，其一，图片理解的主要目的在于学习整体的复杂视觉环境（ImageNet比赛）；其二，CNN训练数据缺乏。因此，如果能够用上层信息来学习复杂的内容能够极大地
论文笔记 Weakly Supervised Deep Detection Networks - CVPR 2016
weixin_43791477的博客
02-14 986
论文笔记 Weakly Supervised Deep Detection Networks
【深度学习论文笔记】Deep Neural Networks for Object Detection
1983的专栏
07-25 9428
论文: Deep Neural Networks for Object Detection>>       作者: Christian Szegedy Alexander Toshev Dumitru Erhan 来源: Google 是否开放代码 主要思想：利用DNN来做目标检测，因为现在的CNN等深度学习在识别上面做的还挺好，但是在目标检测上
论文报告笔记（四） Towards Precise End-to-end Weakly Supervised Object Detection Network
lzr_ps的博客
12-20 3560
论文报告笔记（四） Towards Precise End-to-end Weakly Supervised Object Detection Network 回归视觉相关，这篇是iccv2019的关于弱监督目标检测的论文，第一次接触弱监督学习，所以会讲的比较详细。（错误之处请评论指正） 弱监督学习 我们知道，一般的模型分为有监督、无监督和强化学习，那么弱监督是什么呢？ 不同于有监督直接给出详细的...
Weakly  Supervised  Deep  Detection  Networks 论文笔记
qq_20481015的博客
03-06 944
Weakly Supervised Deep Detection Networks 详细解读 论文大致意思是通过图像级的标注信息训练网络达到目标检测的目的，文中采用的方法如下图所示： abstract ：提出一种弱监督的深度检测架构，通过修改网络，只利用图像级别的标注，同时执行区...
【深度学习】【CVPR 2016】Weakly Supervised Deep Detection Networks
Hana
02-11 725
【CVPR 2016】WSDDN 先学习一下SPP(spatial pyramid pooling)，如下图所示，在R-CNN中，进入卷积层之前必须对图片进行crop或者warp以保证大小相同(因为有全连接层)，但是这样不仅会影响识别精度，而且检测的速度也很慢，因为原始图片经过crop或者warp后得到的图片会重复使用卷积网络计算feature maps，但是SPP只计算一次原始图像的featur...
Object Instance Mining for Weakly Supervised Object Detection
Moeyinss
03-01 533
论文题目：Object Instance Mining for Weakly Supervised Object Detection 论文链接：https://arxiv.org/pdf/2002.01087.pdf 论文代码：https://github.com/bigvideoresearch/OIM 现有的多目标检测学习很容易陷入局部最优，因为这个学习机制倾向于对每一个类别学习一张图片中最明...
目标检测系列论文阅读--activity Driven weakly Supervised Object Detection
yychentracy的博客
05-15 1302
目标检测系列论文阅读activity Driven weakly Supervised Object Detection摘要introduction## relatedApproach如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FL...
PCL: Proposal Cluster Learning for Weakly Supervised Object Detection
weixin_36670529的博客
02-20 1158
mport sys reload(sys) sys.setdefaultencoding(‘utf-8’) 以上是python2的写法，但是在python3中这个需要已经不存在了，这么做也不会什么实际意义。 在Python2.x中由于str和byte之间没有明显区别，经常要依赖于defaultencoding来做转换。 在python3中有了明确的str和byte类型区别，从一种类型转换成另一种类...
论文笔记（八）：Object Instance Mining forWeakly Supervised Object Detection
lzr_ps的博客
02-11 1589
文章目录论文笔记（八）：Object Instance Mining forWeakly Supervised Object DetectionProblem Finding训练集中的样本没有被充分挖掘陷入局部最优问题Contribution整体框架Object Instance Mining(OIM)实例权重重新调整损失Experiment 论文笔记（八）：Object Instance Min...
SLV: Spatial Likelihood Voting for Weakly Supervised Object Detection
weixin_36670529的博客
02-22 976
1、Sampler 首先需要知道的是所有的采样器都继承自Sampler这个类，如下： 可以看到主要有三种方法：分别是： __init__: 这个很好理解，就是初始化 __iter__: 这个是用来产生迭代索引值的，也就是指定每个step需要读取哪些数据 __len__: 这个是用来返回每次迭代器的长度 class Sampler(object): r"""Base class ...
Object Instance Mining for Weakly Supervised Object Detection 论文笔记
qq_30146937的博客
03-13 611
前言 大多数弱监督目标检测（WSOD）采用的框架是将多实例学习（MIL）和CNN结合起来，这种框架通常会将特定于某个类别的具有最高置信度的proposal挖掘出来，以训练基于CNN的分类器，但并不会考虑图像中的目标实例的数量。如果图像中有多个目标实例属于同一类别，那么具有较低置信度的目标实例可能会被认为是背景。而被选择的目标实例的尺度和外观变化都是有限的，因此仅用这些目标实例是无法训练出一个具有强...
Deep Learning for Weakly-Supervised Object Detection and Object Localization: A Survey
weixin_36670529的博客
02-27 1879
1、摘要 弱监督目标检测(WSOD)和定位(WSOL)，即使用图像级标签检测图像中包含边界框的多个或单个实例，是CV领域中长期存在且具有挑战性的任务。随着深度神经网络在目标检测中的成功，wssod和WSOL都受到了前所未有的关注。在深度学习时代，已有数百种WSOD和WSOL方法和大量技术被提出。为此，本文将WSOL视为WSOD的一个子任务，并对近年来WSOD的成就进行了全面的综述。具体来说，我们首先描述了世界sod的制定和设置，包括产生的背景、面临的挑战、基本框架。同时，总结和分析了提高检测性能...
论文阅读《Object Instance Mining for Weakly Supervised Object Detection》
juicetech的博客
03-24 1005
1 主要思想 弱监督目标检测（WSOD）仅仅使用的是图像级别的标注从而实现解决目标检测问题，在过去几年中得到了一些研究者的关注，而当前存在的一些解决方法都存在自己的局限性，例如使用最广泛的MIL（多实例学习）算法非常容易陷入到局部最优值，因为MIL的学习策略是学习到的每个类别中最具有判别性的目标（使用分类分数最高的目标进行训练），则这些方法会缺少足够多的样本，因此模型的检测性能会大大下降...
Weakly Supervised Object Recognition with Convolutional Neural Networks
Alan317的专栏
11-28 2005
文章把weakly supervised learning（这里只用到了image-level的annotation）与CNN融合来解决object recognition问题，同时网络产生的maps能从杂乱的背景中localizes objects，作者claim出的结果在Pascal VOC 2012的效果甚至好于fully supervised learning（每张图片annotated with object labels + corresponding bounding boxes）。
论文解读：Object Instance Mining for Weakly Supervised Object Detection（AAAI 2020）
CatOneTwo的专栏
05-16 852
导读 本文针对弱监督目标检测任务中，多实例学习方法容易忽略不那么有判别性物体（图像中同一类物体可能不止一个），以及倾向于检测物体实例一小部分的问题，提出基于空间图和外观图的端到端的物体实例挖掘框架 OIM，并设计了物体实例权重重定义损失 IR 帮助OIM检测物体更大的部分。 论文标题：Object Instance Mining for Weakly Supervised Object Detection（AAAI 2020） 论文地址：https://arxiv.org/abs/2002.01087 .
weakly supervised deep detection networks
最新发布
06-06
“弱监督深度检测网络”（weakly supervised deep detection networks）是一种基于深度学习的目标检测方法。与标准的监督学习方法不同，弱监督学习并不需要精确的标注数据集，只需要通过有限的、不完整的标注信息来训练模型。弱监督深度检测网络通过利用较少的标注数据和更多的未标注数据来训练模型，从而达到提高检测性能的目的。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值