Weakly Supervised Deep Detection Networks 学习笔记

最新推荐文章于 2024-05-23 17:21:34 发布
最新推荐文章于 2024-05-23 17:21:34 发布
阅读量2.3k 收藏 5
点赞数 2
分类专栏： paper阅读 文章标签： 弱监督目标检测
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_35408241/article/details/83275656
版权
这篇博客详细解读了Weakly Supervised Deep Detection Networks，该网络利用图像级标注信息，通过修改网络结构，实现区域选择和分类。文章介绍了网络的双流结构，避免了MIL方法的局部最优问题，并对比了与双线性架构的差异。网络包含预训练阶段，使用SPP模块处理区域提案，以及两个数据流分别进行分类和检测。最后，通过内积融合结果并应用损失函数进行优化。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

                                                    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，同时执行区域选择和分类。

Introduction:1.有实验证明训练过的用于分类的CNN可能隐藏了很多关于检测需要用到的信息

                    2.方法概述：a.给定图像x，第一步是通过在CNN的卷积层之上插入SPP来有效地提取区域级描述符(x；R)。

                                         b.接着，该网络从pooled region-level features中分支成两个数据流（一个用来分类，一个用来识别）

                    3.MIL利用外观模型（appearance model）去选择候选区域，而本文使用的是独立于识别分支的专用并行检测分支选择的候选区域 。所以能够很好的避免弱监督学习常用的方法MIL的缺点即局部最优

                    4.我们的双流CNN可能和lin等人的双线性架构有轻微的关联，他们提出了一种“双线性”结构，其中两个并行网络流的输出通过取相应空间位置的特征向量的外积进行组合。作者指出，这种结构的灵感

最低0.47元/天 解锁文章
Weakly Supervised Deep Detection Networks 阅读笔记
shannanyinxiang的博客
09-12 8286
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 --> recogn
论文笔记：Weakly Supervised Deep Detection Networks
想变有趣的EMMA
02-28 5731
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 1100
论文笔记 Weakly Supervised Deep Detection Networks
[CVPR 2016] Weakly Supervised Deep Detection Networks论文笔记
A13120295的博客
04-02 548
Weakly Supervised Deep Detection Networks，Hakan Bilen，Andrea Vedaldi https://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/Bilen_Weakly_Supervised_Deep_CVPR_2016_paper.pdf 亮点 ...
Weakly  Supervised  Deep  Detection  Networks 论文笔记
qq_20481015的博客
03-06 986
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...
论文报告笔记（四） Towards Precise End-to-end Weakly Supervised Object Detection Network
lzr_ps的博客
12-20 3634
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...
Sound Event Detection: A Tutorial 学习笔记
Maestro_T的博客
11-14 3332
声音事件监测论文：Sound Event Detection: A Tutorial 学习笔记
笔记：论文笔记Weakly Supervised Deep Detection Networks
博主回家睡觉了。。。
03-01 666
弱监督深度目标检测网络（2016） 摘要 提出一种弱监督的深度检测结构，使其在图像级别上运行，同时进行区域选择和分类。 在PASCAL-VOC数据上隐式学习优于其他弱监督检测系统的目标检测器。 该模型是一个简单的端到端架构，在图像级分类方面也优于标准的数据增强和微调技术。 缺陷：单图同类单个 一.介绍 本文提出了一种新的端到端的弱监督目标检测方法，称之为弱监督深度检测网络（WSD...
【深度学习】【CVPR 2016】Weakly Supervised Deep Detection Networks
Hana
02-11 779
【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...
WSDDN, 弱监督深度探测网络( CVPR 2016 ).zip
09-17
WSDDN, 弱监督深度探测网络( CVPR 2016 ) 弱监督深探测网络( )安装下载并安装 MatConvNet插件使用 MatConvNet vl_contrib 插件的软件包管理器安装这里模块： vl_contrib('install', 'WSDDN') ; vl
论文笔记：Weakly Supervised Deep Detection Networks(WSDDN)
kinredon的博客
11-23 7565
论文：Weakly Supervised Deep Detection Networks(WSSDN) 地址：https://arxiv.org/abs/1511.02853 一、简介 这篇论文主要提出了一个弱监督深度检测网络来解决弱监督目标检测问题。弱监督目标检测就是数据只有 image-level 标注，即没有bounding boxes，只告诉这张image中包含哪些类。 作者提出了一...
弱监督检测初识——Weakly Supervised Deep Detection Networks解读
Cai Yichao的博客
11-26 3872
文章目录1 WSDDN模型1.1 预训练CNN1.2 CNN特征描述1.2.1 区域推荐算法1.2.2 Spatial partial pooling1.2.3 推荐区域的特征描述1.3 分类和检测分支2 模型训练2.1 损失函数2.2 检测框规则化3 局限与未来方向4 Reference 弱监督检测是一个很有前景的研究方向——仅通过样本的类别标签就可以实现目标检测任务（乍一看有点类似之前的Classification and localization任务，但是要难很多）。目前，弱监督检测的精度还处于比较低
Weakly supervised learning approaches for object segmentation
乐兮山南水北的博客
02-23 417
On Regularized Losses for Weakly-supervised CNN Segmentation Meng Motivation Currently, the dominated weakly supervised learning approaches learn from pseudo fully labeled masks.
浅谈弱监督学习（Weakly Supervised Learning）
idol24的博客
04-11 3506
来源：知乎—Lori地址：https://zhuanlan.zhihu.com/p/81404885之前看了周志华老师的《A Brief Introduction to Weakly Supervised Learning》，觉得大受启发，一直想动笔总结一下，今天终于来填坑了。机器学习在很多任务中取得了很大的成功。众所周知，在机器学习领域，学习任务可大致划分为两类，一种是...
【配准】弱监督(Weakly-Supervised)系列配准论文阅读
m0_37935211的博客
11-01 4206
弱监督系列论文汇总表 序号 发表情况 要点 1 ISBI2018 弱监督配准框架 2 MIA2018 多尺度Dice，新的网络，大量的实验 3 TMI2018 ...
【深度学习论文翻译】Weakly Supervised Action Localization by Sparse Temporal Pooling Network全文翻译
唐申庚的博客
08-02 3024
Phuc Nguyen（University of California Irvine, CA, USA） Ting Liu，Gautam Prasad（Google Venice, CA, USA） Bohyung Han（Seoul National University Seoul, Korea） 目录 目录 摘要 1.介绍 2.相关工作（略） 3.提出算法 3.1.动作...
SPP（Spatial Pyramid Pooling）解读
热门推荐
m0_37799466的博客
12-10 1万+
1.为什么会出现SPP结构，其作用是什么？ 通过Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition论文可以基本了解其作用和基本结构， 从图中可以看到传统的操作是先将原图crop（裁剪/变换，也就是类似resize操作），直接送入卷积层，然后进入全连接分类。但是每幅图像中目标物体位置和大小难以保...
蓝牙模块SPP相关知识解析
最新发布
2301_81199294的博客
05-23 2174
当一个设备需要发送数据时，会先检查目标设备的连接状态，如果对方已连接且可读写，则可以开始传输数据。通过SPP协议，蓝牙模块可以在没有复杂的加密和认证过程的情况下，实现数据的双向传输。在实际应用中，还需要根据具体需求选择合适的蓝牙模块和数据传输模式，以实现高效的数据传输。SPP(Serial Port Profile)，串口通讯协议，是完成蓝牙设备之间创建串口进行数据传输的一种协议。1.无法找到设备：请检查设备的蓝牙功能是否开启，以及设备的名称是否已在其他应用中使用。B在L2CAP层接收一个新的连接。
weakly supervised deep detection networks
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 2
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