弱监督与目标检测简述

最新推荐文章于 2023-05-23 14:05:05 发布
最新推荐文章于 2023-05-23 14:05:05 发布
阅读量1.7k 收藏 11
点赞数 1
文章标签： 机器学习 神经网络
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_40406916/article/details/110226839
版权

弱监分类督通俗来讲就是在这里插入图片描述弱监督的分类有

在这里插入图片描述
那为什么要引进弱监督呢

  • 2017年科技部印发的《新一代人工智能发展规划》中强调大数据智能理论重点突破无监督学习

  • 2020年2月举办的ＡＡＡＩ人工智能大会上，卷积神经网络之父LeCim表示：“在当下整个深度学习社区都在尝试使用更少的标记样本或者更少的实验去训练模型”。

  • 目前训练一个高质量的深度神经网络模型往往依赖于大量的人工标注的高质量训练数据。实际上，这些极度依赖人工标注的数据集的创建是非常昂贵且耗时的。为了解决神经网络在部分目标检测任务中应用的局限，目前许多的研宄人员开始研宄以弱监督数据为主的深度神经网络训练方法，希望可以降低深度神经网络对高质量标注数据的依赖。

已有的强监督检测方法有
两阶段的RCNN算法

在这里插入图片描述在这里插入图片描述一阶段的YOLO算法

在这里插入图片描述在这里插入图片描述
弱监督该怎实现呢？
目前常用的三种方法如下
在这里插入图片描述
我所青睐的是基于注意力机制的弱监督检测。注意力机制模仿的是人眼捕捉一张图像并不是所有像素都是重点，图片中的主要物体才是最抓人眼球的，他也就是我们的重点检测对象。
在这里插入图片描述注意力机制的实现逻辑是：
在这里插入图片描述

蕾蕾昔
关注
  • 1
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
基于弱监督学习的目标检测研究进展
08-25
随着卷积神经网络（Convolutional Neural Network，CNN）的不断发展，目标检测作为计算机视觉中最基本的技术，已取得了令人瞩目的进展。介绍了强监督目标检测算法对数据集标注精度要求高的现状。对基于弱监督学习的目标检测算法进行研究，按照不同的特征处理方法将该算法归为四类，并分析比较了各类算法的优缺点。
弱监督目标检测与半监督目标检测
qq_40373651的博客
01-09 7190
一、监督学习分类 根据数据集的标注情况，分为：监督学习、弱监督学习、弱半监督学习和半监督学习。 监督学习：数据集为带实例级标注的标签，包含坐标和类别信息 弱监督学习：数据集仅带有数据类别的标签，不包含坐标信息 弱半监督学习：数据集中包含少量实例级标注图像，大量数据分类级标注图像，模型期望通过大规模的弱标注数据提升模型的检测能力。 半监督学习：数据集中包含少量实例级标注图像，大量未标注图像，模型期望通过大规模的未标注数据提升模型的检测能力。 二、弱监督目标检测（Weakly Supervise
弱监督目标检测相关论文阅读笔记
A1150544257的博客
04-24 1251
把目标检测视为一个回归问题，只用一个卷积神经网络实现分类和定位，不需要进行候选区域选择，而是把图像分成了7 × 7 的网格，每个网格负责预测两个 bbox，一个对象概率。每个bbox包含5个参数，(x,y,w,h,置信度概率)，也就是一个网格对应一个30维的向量，最后输出向量是 7 * 7* 30。
弱监督检测初识——Weakly Supervised Deep Detection Networks解读
Cai Yichao的博客
11-26 3308
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
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 3519
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。
弱监督目标检测方法梳理
codestrom04
06-28 8104
关于若监督目标检测的，大致理了一个方法脉络： 其中WSDDN成为近期的主流方法 （一）部分将输出矩阵分解为按类别C和按区域R的两个矩阵，训练时进行端到端的协同优化。Weakly Supervised Deep Detection Networks论文地址 （二）中申明了针对目标检测任务现有的两类方法思路 1. 以WSDDN为代表的...
《数据挖掘与机器学习》
01-05
这里可能会讲解数据挖掘的三个主要任务：分类、关联规则学习和聚类，并简述监督学习、无监督学习和半监督学习这三种机器学习的主要类型。 第03章-机器学习.pptx可能会深入讨论机器学习的基础理论，包括学习过程、...
datafun人工智能与大数据202105月刊.pdf
03-18
结合注意力建模，可以提升计算机视觉任务的性能，例如图像分类、目标检测等。 1. **自监督预训练**：使用大规模无标注数据预训练模型，然后在小规模标注数据上进行微调，提升模型泛化能力。 2. **注意力机制**：...
数据挖掘——技术与应用综述
07-18
数据挖掘技术主要包括监督学习（如决策树、支持向量机）、无监督学习（如聚类、主成分分析）、半监督学习和强化学习。此外，特征选择和降维技术有助于减少数据复杂性，提高模型效率。数据挖掘过程中，数据仓库和OLAP...
专题资料（2021-2022年）03XX水泥有限公司化验室质量管理手册修改.doc
10-07
“目的和适用范围”章节阐述了手册的目的，即规定化验室的质量职责、权限和目标，同时明确了手册适用的业务范围，涵盖了所有与水泥检测相关的内部管理和对外质量证明。 “引用标准和术语定义”部分列举了化验室操作...
弱目标检测
01-12
WeakTarget Detection这篇期刊主要是有关于弱目标检测的,发表在IEEE
弱监督目标检测论文.rar
05-29
今天有群友反馈弱监督目标检测论文少，收集了部分最新的 cap2det谷歌结合文字信息进行弱监督检测.pdf ICCV2019一篇 instance-aware弱监督目标检测CVPR2020 清华大学弱监督2019 商汤AAAI2020 中科院利用弱监督目标检测中的不稳定性 抛砖引玉，没有积分直接添加微信seer_ai发送 更多内容加微信免费获取
纯化水清洁消毒验证方案.doc
11-30
小组由各部门代表组成，如设备工程部负责系统设计与维护，生产部负责实际操作，QC（质量控制）负责检测，QA（质量保证）负责监督整个验证过程，确保合规性。 5. **验证计划** 计划将详细列出每个验证阶段的时间表...
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 5468
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...
如何用YOLOv5玩转半监督(附源码实现)
专注计算机视觉全栈知识分享
02-18 1700
如何用YOLOv5玩转半监督(附源码实现)
【计算机视觉 | 目标检测】术语理解4：OVD 训练的范式、半监督目标检测（SSOD）、弱监督目标检测（WSOD）、 余弦相似度
wzk4869的博客
05-23 1483
【计算机视觉 | 目标检测】术语理解4：OVD 训练的范式、半监督目标检测（SSOD）、弱监督目标检测（WSOD）、 余弦相似度
弱监督目标检测算法论文阅读（二）Rethinking the Route Towards Weakly Supervised Object Localization
weixin_45997273的博客
05-29 2211
个人阅读文章的一点理解，有其他不同理解的同学问欢迎评论交流。 这是南京大学一篇CVPR2020的文章，论文提出了一个伪监督目标定位的方法，生成伪grountruth 进行训练。文章分析了现有的目标检测方法的弊病，联合优化定位与分类并不能两者达到最优。文章创造性的提出了把分类任务和定位任务分开，单独进行训练，取得了很好的效果。 Abstract 弱监督对象定位（WSOL）旨在仅使用图像级标签来定位对象。 先前的方法经常尝试利用特征图和分类权重来间接使用图像级注释来定位对象。 在本文中，我们证明了弱监督的
【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 2014
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。
简述自动检测系统的一般设计过程
最新发布
05-31
自动检测系统的一般设计过程可以分为以下几个步骤： 1. 确定检测目标：确定需要检测的目标，例如图像中的物体、视频中的行为等。 2. 收集数据：收集与检测目标相关的数据集，包括正例和负例样本，这些样本可以用于训练和测试模型。 3. 特征提取：将数据转换为特征向量，以便机器学习算法可以处理。特征提取可以基于手工特征设计或深度学习方法。 4. 训练模型：使用机器学习算法，训练一个模型来对目标进行检测。训练过程通常采用监督学习方法，例如支持向量机（SVM）、神经网络等。 5. 模型评估：使用测试数据集来评估模型的性能，可以计算出模型的准确率、召回率、F1值等指标。 6. 优化和改进：根据评估结果，对模型进行优化和改进，例如调整算法参数、增加训练数据、采用更复杂的模型等。 7. 部署和应用：将训练好的模型部署到实际应用中，例如嵌入到安防系统中进行人脸识别、嵌入到自动驾驶系统中进行物体识别等。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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