![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
弱监督
文章平均质量分 93
Frankenstein@
月亮你要,六便士你还嫌少。
展开
-
弱监督论文阅读:P2BNet算法笔记
近年来,使用单点监督的目标检测受到了越来越多的关注。然而,点监督目标检测与边界框监督检测的性能差距仍然很大。在本文中,我们将如此大的性能差距归因于未能生成对多实例学习至关重要的高质量建议包。为了解决这个问题,我们给现成建议方法引入了一种轻量级的替代,并由此创建了点到框网络,它可以通过以一种锚框式的方式生成建议来构建目标间平衡的建议包。P2BNet通过充分挖掘精确的位置信息,进一步构建实例级的包,避免了多个目标的混合。最后,以级联的方式使用由粗到精的策略来改善建议与真值之间的IoU。原创 2023-02-25 22:06:21 · 1299 阅读 · 0 评论 -
弱监督论文阅读:BoxLevelSet算法笔记
本文我们提出一种新颖的单阶段边界框监督实例分割方法,巧妙地将经典的水平集模型与深度神经网络相结合。具体来说,我们提出的方法通过一个连续的Chan-Vese能量函数以端到端的方式迭代学习一系列水平集。采用简单的掩码监督的SOLOv2模型预测实例感知的掩码图作为每个实例的水平集。输入图像及其深度特征都作为演化水平集曲线的输入数据,其中,一个边界框投影函数用于获得初始边界。通过最小化完全可微的能量函数,每个实例的水平集在其对应的边界框标注内迭代优化。原创 2023-02-02 18:38:53 · 719 阅读 · 1 评论 -
弱监督论文阅读:DiscoBox算法笔记
我们提出一个新的框架DiscoBox,它使用边界框监督来联合学习实例分割和语义对应。具体来说,我们提出了一个自集成框架,其中的实例分割和语义对应由结构化教师和边界框监督共同指导。教师是一个结合了成对势能和跨图像势能的结构化能量模型,用于建模边界框内部和边界框之间的成对像素关系。最小化教师能量同时产生精细的目标掩码和类内目标之间的稠密对应关系,将其作为伪标注来监督任务网络并为稠密对比学习提供正/负对应对。我们展示了这两种任务互惠互利的共生关系。我们的最佳模型在COCO实例分割上达到了37.9%AP。原创 2023-01-31 21:56:37 · 387 阅读 · 1 评论 -
弱监督论文阅读:BoxInst算法笔记
我们提出了一种高性能的方法,可以实现只使用边界框标注进行训练的掩码级实例分割。虽然此前已经有文献研究过这种场景,但在这里我们仅用一个简单的设计便展现出明显更强的性能(例如,在COCO数据集上将之前公布的最好的掩码AP从21.1%大幅提升至31.6%)。我们的核心思想是在不修改分割网络本身的情况下,重新设计实例分割中学习掩码的损失。新的损失函数可以在不依赖掩码标注的情况下监督掩码的训练。原创 2023-01-25 22:06:05 · 1502 阅读 · 1 评论