【深度学习】【CVPR2019】弱监督目标检测C-MIL

最新推荐文章于 2023-09-15 16:30:34 发布
最新推荐文章于 2023-09-15 16:30:34 发布
阅读量1k 收藏 3
点赞数
分类专栏： 深度学习 文章标签： 深度学习
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_36530992/article/details/104336266
版权
本文回顾了MIL方法在弱监督目标检测中的应用，介绍了其实例选择和检测器估计步骤。文章特别讨论了凸性分析，并提出了Continuation MIL，通过在训练过程中使用不同的λ值来改进实例选择，使得提案更具代表性。损失函数随着λ的变化而变化，优化了子集的选择，从而提高检测效果。
摘要由CSDN通过智能技术生成

【CVPR2019】C-MIL: Continuation Multiple Instance Learning for Weakly Supervised Object Detection

MIL回顾

介绍

MIL将图片视为“包”， B i ∈ B B_i\in B Bi​∈B为第 i i i个包(图片)， B B B为所有包， y i ∈ Y , Y = { − 1 , + 1 } y_i\in Y,Y=\{-1,+1\} yi​∈Y,Y={ −1,+1}表示 B i B_i Bi​是否包含某个类别的物体。比如 y i = 1 y_i=1 yi​=1表示一个正的“包”(至少有一个正的实例)，

最低0.47元/天 解锁文章
Hanawh
关注
专栏目录
弱监督学习 原理与代码实例讲解
AI天才研究院
06-27 679
弱监督学习 原理与代码实例讲解 作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming 关键词：弱监督学习, 自动标注, 数据稀疏, 分类器训练, 多标签分类, 图像对象检测 1. 背景介绍
论文笔记（五） C-MIL: Continuation Multiple Instance Learning for Weakly Supervised Object Detection
lzr_ps的博客
12-27 2797
论文笔记（五） C-MIL: Continuation Multiple Instance Learning for Weakly Supervised Object Detection 这是cvpr2019的oral，还是一篇基于弱监督的目标检测论文。 关于弱监督目标检测的定义在上一篇笔记中已经讲过了 传送门 。与上一篇论文中要缓解的问题一样，即弱监督的损失局部极小问题，但是这篇论文的处理方法更...
C-MIL基于弱监督的连续多示例目标检测
qq_43068931的博客
10-15 2262
C-MIL:基于弱监督的连续多示例目标检测 原文链接 github地址 摘要 ​ 弱监督目标检测通常需要同时学习目标检测（有没有）和目标定位（在哪里），传统的方法是采用多实例学习的方法，这个方法的损失函数是非凸的，通常会陷入局部最优，从而导致训练时会丢失部分目标范围。本文提出的C-MIL（基于弱监督的连续多示例目标检测）旨在系统性地缓解非凸问题。我们把实例分割为空间相关和类别相关的部...
【CVPR2019】C-MIL: Continuation Multiple Instance Learning for Weakly Supervised Object Detection
01-07
【CVPR2019】C-MIL: Continuation Multiple Instance Learning for Weakly Supervised Object DetectionMIL回顾介绍凸性分析Continuation MIL MIL回顾 介绍 MIL将图片视为“包”，Bi∈BB_i\in BBi​∈B为第iii个包(图片)，BBB为所有包，yi∈Y,Y={−1,+1}y_i\in Y,Y=\{-1,+1\}yi​∈Y,Y={−1,+1}表示BiB_iBi​是否包含某个类别的物体。比如yi=1y_i=1yi​=1表示一个正的“包”(至少有一个正的实例)，yi=0y_i=0yi
[paper reading] C-MIL: Continuation Multiple Instance Learning for Weakly Supervised Object Detectio...
weixin_30703911的博客
04-14 311
MIL陷入局部最优，检测到局部，无法完整的检测到物体。将instance划分为空间相关和类别相关的子集。在这些子集中定义一系列平滑的损失近似代替原损失函数，优化这些平滑损失。 C-MIL learns instance subsets, where the instances are spatially related, i.e., overlapping with each other, an...
弱监督目标检测之二 连续优化多实例学习
gaow14的博客
03-05 4852
上一次的博客提到了我们实验室发表在CVPR2018以及IEEE TPAMI上的工作MELM[1]，这一次的博客进一步介绍基于MELM的最新的工作C-MIL，也是实验室今年被CVPR2019接收的4篇论文之一，《C-MIL: Continuation Multiple Instance Learning for Weakly Supervised Object Detection》。论文也是今年CV...
C-MIL：连续多实例学习改进弱监督目标检测
2199C-MIL：弱监督目标检测的连续多实例学习FangWan，WeiKe， Xiangyang JiYi，Xiaojiaoand QixiangYe†中国科学院大学，中国中国北京清华大学 §中国深圳鹏程实验室{wanfang13，liuchang615，kewei11}@ mails.ucas....
CVPR 2019 论文大盘点—目标检测篇
OpenCV中文网
10-21 1557
感谢52CV群友“一块钱”盘点了CVPR 2019 所有有关目标检测的文章，并简单做了分类。总计 56 篇，绝大多数含开源代码，很多已经被大家所熟悉，比如KL-Loss、ScratchD...
基于实例和关注上下文的弱监督目标检测
1105980基于实例、关注上下文和内存高效的弱监督目标检测0Zhongzheng Ren 1, 2 � Zhiding Yu 2 Xiaodong Yang 2 � Ming-Yu Liu 20Yong Jae Lee 3 Alexander G. Schwing 1 Jan Kautz 201 ...
弱监督学习和小目标检测
Synioe的博客
11-01 3752
在简书上看到一篇弱监督学习的帖子，由于没有使用简书的习惯，因此分享下这篇帖子，感兴趣的直接去参考原作者。侵删 作者：baiyu33 链接：https://www.jianshu.com/p/7b0161975225 來源：简书   本文收集整理弱监督学习和小目标检测方面的资料。 [TOC] 弱监督学习 何谓弱监督学习 CV中的弱监督学习 People Approaches...
Weakly Supervised Object Localization with Multi-fold Multiple Instance Learning
想变有趣的EMMA
01-11 2420
Weakly Supervised Object Localization with Multi-fold Multiple Instance Learning基于多层多实例学习的弱监督物体定位 摘要——在计算及视觉领域，物体的分类定位是一个具有挑战性的问题。标准的监督训练需要物体实例的bounding box标注。弱监督学习避免了这一耗时的标注过程。在这样的情况下，监督信息被限制在了二态标注中
【弱监督显著目标检测论文】Weakly-Supervised Salient Object Detection Using Point Supervison
ooooollll111的博客
10-12 2236
目前最先进的显著性检测模型严重依赖于精确的像素级注释的大型数据集，这花费了大量的准备时间。而一些弱监督的方法可以来缓解这一问题，如图像标签、边界框标签和涂鸦标签，但点标签还没有在这个领域中被探索。在本文中，我们通过重新标记DUTS数据集，从而提出了一个新的点监督数据集（P-DUTS）。在P-DUTS中，每个显著对象只有一个标记点。为了推断显著图，我们首先设计了一种自适应掩蔽泛洪填充算法来生成伪标签。然后设计了一个基于transformer的点监督显著性检测模型，生成第一轮显著图。
CVPR 2018论文解读 | 基于域适应弱监督学习的目标检测
Paper weekly
08-01 5504
在碎片化阅读充斥眼球的时代，越来越少的人会去关注每篇论文背后的探索和思考。在这个栏目里，你会快速 get 每篇精选论文的亮点和痛点，时刻紧跟 AI 前沿成果。点击本文底部...
弱监督目标检测算法论文阅读（一）Object Instance Mining for Weakly Supervised Object Detection
weixin_45997273的博客
05-28 3616
这是一篇AAAI2020的一篇弱监督目标检测的文章。是商汤科技提出的弱监督目标检测算法。 摘要 在过去的几年中，仅使用图像级注释的弱监督目标检测（WSOD）引起了越来越多的关注。现有的使用多实例学习的方法很容易落入局部最优值，因为这种机制倾向于从图像中每个类别的最具区别性的对象中学习**（把其他不具备区别性质的示例去掉，只使用有区别性的实例）。因此，这些方法都缺少对象实例（实例数目不够）**，从而降低了WSOD的性能。为了解决这个问题，本文介绍了一种用于弱监督目标检测的端到端对象实例挖掘（OIM）框架。
CVPR 2018 目标检测（Object Detection）总览
阿木寺的博客
07-21 3502
http://www.tongtianta.site/group?group_id=1 https://blog.csdn.net/u014380165/article/details/80784147 《An Analysis of Scale Invariance in Object Detection - SNIP》 arXiv：https://arxiv.org/abs/1711.0...
弱监督目标检测：ALWOD: Active Learning for Weakly-Supervised Object Detection
最新发布
qq_34717531的博客
09-15 920
然后，提出了一种新的主动学习获取函数，利用学生-教师目标检测对的不一致性和不确定性，有效地提出了最具信息量的图像进行注释。最后，为了完成主动学习循环，引入了一项新的标注任务，即基于模型提出的检测结果的选择和修正，这种方法在迅速而有效地标注信息丰富的图像方面表现出色。5）结果：在几个具有挑战性的基准测试中，ALWOD显著缩小了仅基于部分标记但经过策略选择的图像实例进行训练的目标检测器与完全标记数据依赖的目标检测器之间的差距。3）背景：目标检测在缺乏大规模训练数据集和准确的目标定位标签的情况下仍然存在挑战。
CVPR学习（四）：CVPR2019-目标检测
TheDayIn_CSDN的博客
07-03 6249
一阶段算法 一种从零开始训练的目标探测器 ScratchDet，充分利用原始图像信息的 Root-ResNet，结合 ResNet 与 VGGNet 加强对小目标的检测 京东 AI 研究院、中国科学院、中山大学 ScratchDet: Training Single-Shot Object Detectors from Scratch Rui Zhu, Shifeng Zhang, ...
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