TPAMI 2024 | 互辅助学习在目标检测中的应用

最新推荐文章于 2024-11-12 11:12:28 发布
最新推荐文章于 2024-11-12 11:12:28 发布
阅读量76 收藏
点赞数
分类专栏： 论文解读 IEEE TPAMI 文章标签： 目标检测 人工智能 TPAMI IEEE 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_42722197/article/details/141611319
版权
论文解读 IEEE TPAMI 专栏收录该内容
303 篇文章 21 订阅 ¥59.90 ¥99.00
订阅专栏

题目：Mutual-Assistance Learning for Object Detection

互辅助学习在目标检测中的应用

作者：Xingxing Xie; Chunbo Lang; Shicheng Miao; Gong Cheng; Ke Li; Junwei Han

源码链接： https://github.com/ShichengMiao16/MADet

摘要

目标检测是计算机视觉中的一个基础但具有挑战性的任务。尽管近年来取得了巨大进展，但由于某些因素，例如非通用性的目标特征和单一的回归方式，现代检测器可能仍然产生不令人满意的性能。在本文中，我们借鉴了相互辅助（Mutual-Assistance, MA）学习的思想，相应地提出了一种鲁棒的一阶段检测器，称为MADet，以解决这些弱点。首先，MA的精神体现在检测器头部设计中。解耦的分类和回归特征被重新整合以提供共享的偏移量，避免了由于零或错误偏移量引起的特征-预测对之间的不一致性。其次，MA的精神在检测器的优化范式中被捕获。锚点基础和无锚点的回归方式被联合使用，以增强检索具有各种特征的物体的能力，特别是对于大宽高比、遮挡

了解本专栏 订阅专栏 解锁全文
小白学视觉
关注
专栏目录
订阅专栏
TPAMI 2024 | Box2Mask: 基于包围盒的实例分割算法
小白学视觉
08-19 467
与使用像素级掩码标签的全监督方法不同，基于包围盒注释的实例分割利用简单的框注释，最近吸引了越来越多的研究关注。本文提出了一种新颖的单次实例分割方法，即Box2Mask，它将经典水平集演化模型整合到深度神经网络学习中，仅使用包围盒监督就能实现精确的掩码预测。具体来说，输入图像及其深度特征被用来隐式地演化水平集曲线，并且使用基于像素亲和核的局部一致性模块来挖掘局部上下文和空间关系。
[MIAL] Multiple Instace Active Learning for Object Detection(CVPR. 2021)
Ah丶Weii
03-07 1472
​ 1. Motivation ​ 目前主动学习（active learning）在图像分类上取得了巨大的进步，但是在目标检测领域，还缺乏一种instance-level的主动学习方法。 ​ 在这篇文章中，作者提出了多实例主动学习（MIAL），通过观察instance-level的uncertainty，来为检测器的训练挑选最informative的图片。 ​ 如图1所示，图a表示传统的方法，没有考虑负样本在目标检测中的不平衡问题，负样本产生了背景中的noisy instances，并干扰了image u
显著性检测之A Mutual Learning Method for Salient Object Detection with intertwined Multi-Supervision
画心
06-12 2875
A Mutual Learning Method for Salient Object Detection with intertwined Multi-Supervision 文章目录A Mutual Learning Method for Salient Object Detection with intertwined Multi-Supervision主要亮点网络结构主要工作Mutual ...
Mutual Supervision for Dense Object Detection
weixin_44699417的博客
11-28 728
目标检测：MuSu：Mutual Supervision for Dense Object Detection
TPAMI 2024 | 通过消除法检测道路障碍物
小白学视觉
07-31 1444
车辆在道路上可能会遇到无数的障碍物，而且事先记录下它们以训练一个检测器是不可能的。相反，我们选择图像块，并使用周围的道路纹理进行填充，这倾向于从这些块中移除障碍物。然后，我们使用一个训练有素的网络来识别原始块和填充后的块之间的差异，这标志着擦除了一个障碍物。
TPAMI 2024 | 通过增强对比学习实现完全无监督的深度伪造视频检测
小白学视觉
08-08 176
如今，网络上广泛流传着大量的深伪视频，严重损害了公众的可信度和社会安全。尽管最近涌现出越来越多的可靠检测器来抵抗这种新兴的篡改技术，但仍有一些具有挑战性的问题需要解决，以至于大多数监督机制框架下的深伪视频检测器需要大量具有准确标签的样本进行训练。当具有真实标签的训练样本量不足或训练数据被对手恶意毒化时，监督分类器可能不能可靠地进行检测。为了解决这个棘手的问题，有人提议设计一个完全无监督的深伪检测器。特别是，在整个训练或测试过程中，我们不知道任何关于样本真实标签的信息。
TPAMI 2024 | 视觉-语言模型在视觉任务中的综述
小白学视觉
10-11 114
大多数视觉识别研究严重依赖于深度神经网络（DNN）训练中的众包标记数据，并且通常针对每个单一视觉识别任务训练一个DNN，导致了一个繁琐且耗时的视觉识别范式。为了解决这两个挑战，最近对视觉-语言模型（VLMs）进行了深入研究，它从互联网上几乎无限可用的大规模图像-文本对中学习丰富的视觉-语言相关性，并能够使用单个VLM在各种视觉识别任务上进行零样本预测。本文系统地回顾了视觉语言模型在各种视觉识别任务中的应用，包括：(1) 介绍视觉识别范式发展的背景；
TPAMI 2024 | 半监督学习用于多标签心血管疾病预测：多数据集研究
小白学视觉
06-11 440
心电图（ECG）是预测心血管疾病（CVDs）的非侵入性工具。由于深度学习技术的快速发展，目前基于ECG的诊断系统表现出令人鼓舞的性能。然而，标签稀缺问题、多种CVDs的共现以及在未见数据集上的表现不佳极大地阻碍了基于深度学习模型的广泛应用。在一个统一框架中解决这些问题仍然是一个重大挑战。为此，我们提出了一种多标签半监督模型（ECGMatch），以在有限监督下同时识别多种CVDs。在ECGMatch中，开发了一个ECGAugment模块用于弱和强的ECG数据增强，从而生成多样化的样本用于模型训练。
TPAMI 2024 | 从网络视频中多任务学习物体状态和状态修改动作
小白学视觉
08-16 271
我们旨在通过观察人们在长时间未经编辑的网络视频中与物体互动，学习物体状态变化和相应的状态修改动作的时间定位。我们介绍了三个主要贡献。首先，我们开发了一种自监督模型，用于从互联网未编辑的视频集中联合学习状态修改动作及其相应的物体状态。该模型通过因果排序信号（即初始物体状态→操控动作→结束状态）进行自我监督。其次，我们探索了替代的多任务网络架构，并确定了一种能够高效联合学习多个物体状态和动作的模型，例如一起倒水和倒咖啡。
深度学习之循环神经网络(RNN)
最新发布
weixin_43775295的博客
11-12 378
其一般处理单个的输入，前一个输入和后一个输入完全无关，但实际应用中，某些任务需要能够更好的处理序列的信息，即前面的输入和后面的输入是有关系的。​ 由于RNN特有的memory会影响后期其他的RNN的特点，梯度时大时小，learning rate没法个性化的调整，导致RNN在train的过程中，Loss会震荡起伏，为了解决RNN的这个问题，在训练的时候，可以设置临界值，当梯度大于某个临界值，直接截断，用这个临界值作为梯度的大小，防止大幅震荡。中必须包含原始序列中的所有信息，它的长度就成了限制模型性能的瓶颈。
机器学习系列----岭回归（Ridge Regression）简介及实现
DK22151的博客
11-09 957
岭回归（Ridge Regression），也被称为Tikhonov正则化，是一种线性回归的变体。它通过在普通最小二乘法（OLS）回归中加入L2正则化项来解决多重共线性问题，从而提高模型的泛化能力和鲁棒性。岭回归的核心思想是通过惩罚模型的参数，使得它们保持较小的值，从而减少过拟合的风险。岭回归适用于当特征之间高度相关时（即多重共线性问题），普通的线性回归模型可能会变得不稳定，并且模型的系数可能会变得非常大。岭回归通过加上一个正则化项，约束了模型参数的大小，从而使得模型更加稳健。
PCA（主成分分析）算法的应用场景
huanfeng_AI的博客
11-09 486
需要注意的是，PCA并不适用于所有场景。例如，当数据之间存在非线性关系时，PCA可能无法完全揭示数据的内在结构。此外，PCA对初始变量的顺序和标签敏感，不同的变量顺序可能导致不同的主成分结果。因此，在选择数据分析方法时，需要根据具体的数据和任务需求来决定是否使用PCA。
探索App Intents：让你的应用与Siri无缝互动的新方式
jixn的博客
11-09 3220
苹果推出了一个新框架——App Intents，使开发者可以在iOS 18.2+、macOS 15.2+等平台上集成Siri和Apple Intelligence，实现对应用内容的读取和操作。App Intents使应用的功能和内容能无缝融入系统体验中，例如Siri、Spotlight搜索、快捷指令和小组件，让用户可以轻松访问应用核心功能，并获得更智能的Siri帮助。：表示应用内容，如照片、联系人或文件。：用户可以对 Siri 发出指令，例如“查找我的航班”或“添加待办事项”，Siri直接与应用交互。
【Node-Red】使用文件或相机拍摄实现图像识别
weixin_43195420的博客
11-12 641
使用文件或相机拍照实现图像识别
掌握AIStarter新功能，轻松关闭广告享受纯净浏览体验
ai_xiaogui的博客
11-07 600
AIStarter的广告拦截器是一项集成在平台内部的新特性，它允许用户根据自己的喜好设置广告过滤规则。无论是烦人的横幅广告、视频前贴片广告还是弹窗广告，都可以通过简单的设置被有效屏蔽。这项功能不仅提升了用户的浏览效率，还保护了用户的隐私安全。在数字时代，拥有一个清爽无干扰的网络环境对每个人都至关重要。AIStarter的广告拦截器正是为此而设计，它帮助用户夺回了对个人浏览体验的控制权。现在就尝试启用这项功能，开始享受一个更加干净、高效的上网体验吧！不要广告！关闭广告！
一次薅国家超算平台的记录
weixin_55179972的博客
11-07 408
参与 谁是下一个“AI”跃人 -AI体验推介活动，赢取千元算力券！（https://www.scnet.cn/home/subject/modular/index270.html）2. Clone开源的Llama3 Chinese （https://github.com/LlamaFamily/Llama-Chinese）活动名称主题：国家超算互联网「AI跃升季」：谁是下一个“AI”跃人 - AI算力体验活动。其中位置1，2替换为商品基模型和训练出来的微调模型。模型改为商城下载的模型。2、运行的过程记录。
在后LLM时代，关于新一代智能体的思考
langboat_mengzi的博客
11-07 936
同时，新一代智能体工具平台应具备与基座LLM保持独立的多层次智能体系，无需依赖单一大模型或者技术供应商，如此一来，有利于实现模块化开发，具备较强的可维护性，同时还能够建立良好的生态，促进智能体的繁荣发展。而“慢思考”是指在基础模型的基础上，当处理一些复杂指令时，智能体将需求拆解成多个子任务，会调用不同的工具来完成任务，并对结果进行反思、确认，这一过程体现了一种类似于人类思维的“系统 2”的过程，即 step-by-step、可解释的且能导致更准确结果的过程。这些能力对于智能体具有重要的作用和价值。
人工智能是这样理解“情绪”的
JellyAI的博客
11-12 820
在前面的内容中，我们经常提到“特征”，那么如何表示特征呢？举个例子，在日常生活中，我们描述一个快递包装盒时可能会提到它的高度、宽度和深度（这三个值就是盒子的特征，当然也可以用颜色、重量、材料等来描述）。当我们仅用高度、宽度和深度三个数据来描述盒子的特征时，我们就说这个盒子的特征是三维的。如果再加上颜色、重量和材料等特征，那么这个特征空间就是六维的了。
2018年CVPR与2019年TPAMI在Matlab中的应用及资料
2018年CVPR会议论文集中的口头报告文章代表了计算机视觉领域的最新进展，它们通常涵盖了当前研究的前沿主题，如深度学习、卷积神经网络（CNN）、生成对抗网络（GANs）、图像分类、目标检测、人脸识别、场景理解等。...
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

打赏作者

小白学视觉

您的赞赏是我们坚持下去的动力~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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