Paper Reading
文章平均质量分 95
俺把读的论文放在这了,方向是计算机视觉
每周都有阅读任务,但是会不会整理搬过来就是另说啦
每篇paper都有对应的PPT,有需要的uu可以找我要(如果你看到了这个简介,且我看到你的私信的话XD哈哈哈)
热水过敏
我们联合!
展开
-
Paper Reading: MixTeacher:半监督目标检测中利用混合尺度教师挖掘有前景的标签
题目:《MixTeacher: Mining Promising Labels with Mixed Scale Teacher for Semi-Supervised Object Detection》,CVPR 2023日期:2023.3.16单位:腾讯,上海交通大学,浙江大学,荣旗工业科技公司论文地址:http://arxiv.org/abs/2303.09061作者。原创 2024-04-11 23:31:49 · 1088 阅读 · 1 评论 -
Paper Reading: 用于半监督实例分割的指导蒸馏, Guided Distillation for Semi-Supervised Instance Segmentation
题目:《Guided Distillation for Semi-Supervised Instance Segmentation》,用于半监督实例分割的指导蒸馏,WACV(计算机视觉应用冬季会议,未进入CCF)日期:2023.12.14单位:FAIR, Meta, 格勒诺布尔-阿尔卑斯大学论文地址:https://arxiv.org/abs/2308.02668作者摘要尽管实例分割方法已经有了很大的改进,但主要的范例是依赖于满符号的训练图像,这很难获得。原创 2024-04-11 17:08:02 · 780 阅读 · 0 评论 -
Paper Reading: (InPL) 不平衡半监督学习中的分布内伪标记优先
题目:《InPL: Pseudo-labeling the Inliers First for Imbalanced Semi-supervised Learning》,ICLR’23 InPL:不平衡半监督学习中的分布内伪标记优先日期:2023.2.2单位:威斯康星大学麦迪逊分校论文地址:https://openreview.net/forum?GitHub:-作者Zhuoran Yu研究领域:之前是目标检测,今年发了两篇半监督相关的,一个是这篇,一个是人体姿态估计。原创 2023-12-13 20:10:09 · 159 阅读 · 0 评论 -
Paper Reading: (CCVC) 基于冲突的半监督语义分割跨视图一致性
题目:《Conflict-Based Cross-View Consistency for Semi-Supervised Semantic Segmentation》,CVPR’23, 基于冲突的半监督语义分割跨视图一致性日期:2023.5.2单位:悉尼大学,香港大学,三星研究所论文地址:https://arxiv.org/abs/2303.01276作者Zicheng Wang,找不到Zhen Zhao个人主页:http://zhaozhen.me/Xiaoxia Xing,找不到。原创 2023-12-13 19:55:22 · 150 阅读 · 0 评论 -
Paper Reading: (U2PL) 基于不可靠伪标签的半监督语义分割
题目:《Semi-Supervised Semantic SegmentationUsingUnreliablePseudo-Labels》,CVPR’22 U2PL: 基于不可靠伪标签的半监督语义分割日期:2022.3.14单位:上海交通大学, 香港中文大学, 商汤科技论文地址:https://arxiv.org/abs/2203.03884项目地址:https://haochen-wang409.github.io/U2PL/原创 2023-12-13 19:28:55 · 233 阅读 · 1 评论 -
Paper Reading: (ACRST) 基于自适应类再平衡自训练的半监督目标检测
题目:《Semi-Supervised Object Detection with Adaptive Class-Rebalancing Self-Training》,AAAI’22, 基于自适应类再平衡自训练的半监督目标检测日期:2021.7.11(v1),2022.6.28(AAAI’22)单位:清华大学论文地址:https://arxiv.org/abs/2107.05031GitHub:-作者。原创 2023-12-13 15:21:15 · 241 阅读 · 0 评论 -
Paper Reading: (SAA)半监督学习中通过样本自适应增强提高样本利用率
题目:《Enhancing Sample Utilization through Sample Adaptive Augmentation in Semi-Supervised Learning》, 半监督学习中通过样本自适应增强提高样本利用率日期:2023.9.7单位:南京大学,悉尼大学,东南大学论文地址:http://arxiv.org/abs/2309.03598作者第一作者找不到眼熟的第二作者赵振,个人主页:http://zhaozhen.me/其他作者(略)摘要。原创 2023-11-04 12:56:24 · 218 阅读 · 0 评论 -
Paper Reading: (S3OD)重新思考航空图像半监督目标检测中的尺度不平衡
题目:《Rethinking Scale Imbalance in Semi-supervised Object Detection for Aerial Images》,重新思考航空图像半监督目标检测中的尺度不平衡(已提交IEEE)日期:2023.10.23单位:武汉大学,北京空天地一体化信息技术国家重点实验室论文地址:Rethinking Scale Imbalance in Semi-supervised Object Detection for Aerial ImagesGitHub:作者原创 2023-11-04 12:07:49 · 143 阅读 · 0 评论 -
Paper Reading: (ShrinkMatc)缩小类空间以提高半监督学习的确定性
题目:《Shrinking Class Space for Enhanced Certainty in Semi-Supervised Learning》,ICCV 2023 缩小类空间以提高半监督学习的确定性日期:2023.8.13单位:香港大学、南京大学、上海AI Lab、悉尼大学、东南大学论文地址:https://arxiv.org/abs/2308.06777GitHub:https://github.com/LiheYoung/ShrinkMatchLihe Yang个人主页:https:原创 2023-11-04 11:45:00 · 147 阅读 · 0 评论 -
Paper Reading:《Consistent-Teacher: 减少半监督目标检测中不一致的伪目标》
商汤、上海AI实验室、新加坡国立大学、北京大学作者研究方向主要是模型架构研究、半监督学习、目标检测共同一作个人主页:https://adamdad.github.io/其他作者摘要在本研究中,我们深入研究了半监督目标检测(SSOD)中伪目标的不一致性。我们的核心观察结果是,振荡的伪目标破坏了精确探测器的训练。它给学生的训练注入了噪音,导致了严重的过拟合问题。因此,我们提出了一个系统的解决方案,称为Consistent Teacher,以减少不一致性。首先,自适应锚分配(ASA)原创 2023-10-20 00:19:00 · 1004 阅读 · 0 评论 -
Paper Reading: RSPrompter,基于视觉基础模型的遥感实例分割提示学习
题目:《RSPrompter: Learning to Prompt for Remote Sensing Instance Segmentation based on Visual Foundation Model 》,基于视觉基础模型的遥感实例分割提示学习日期:2023.6.28单位:北航、北京数字媒体重点实验室、虚拟现实技术与系统国家重点实验室、上海人工智能实验室论文地址:https://arxiv.org/abs/2306.16269作者:陈科研。原创 2023-09-15 18:20:37 · 720 阅读 · 0 评论 -
Paper Reading:《LISA: Reasoning Segmentation via Large Language Model》
LISA: Reasoning Segmentation via Large Language Model》基于大型语言模型的推理分割日期:2023.8.1(v1)单位:香港中文大学,思谋科技,微软亚洲研究院论文地址:https://arxiv.org/abs/2308.00692作者:赖昕,香港中文大学三年级博士生,师从贾佳亚教授。主要研究方向是三维点云感知,迁移学习,半监督学习,小样本学习。已发表顶会顶刊论文8篇,其中一作4篇。同等贡献其他作者(Jiaya Jia:贾佳亚)原创 2023-08-12 23:07:09 · 434 阅读 · 1 评论 -
Paper Reading:《Segment Anything in High Quality》
Segment Anything in High Quality》高质量的分割任何内容日期:2023.6.2单位:苏黎世联邦理工学院,香港科技大学论文地址:https://arxiv.org/abs/2306.01567作者:柯磊个人主页:http://www.kelei.site/与SAM相关的paper提出模型:SAM-PT,一种将稀疏点追踪与 SAM 相结合用于视频分割的方法通过级联注意力提高DETR的通用检测精度。原创 2023-08-12 22:33:14 · 214 阅读 · 0 评论 -
Paper Reading:《Semantic-SAM: Segment and Recognize Anything at Any Granularity》
Semantic-SAM: Segment and Recognize Anything at Any Granularity(语义-SAM:多粒度、多语义的统一分割模型单位:香港科技大学,微软, IDEA,威斯康星大学麦迪逊分校,香港大学,清华日期:2023.7.10第一作者:李峰本文简述:Semantic-SAM是一个在多个粒度(granularity)上分割(segment)和识别(recognize)物体的通用图像分割模型。和SAM相比,该模型有两个优点:(1) 语义感知,即模型能够给分割出的实体原创 2023-07-31 22:46:21 · 181 阅读 · 0 评论 -
Paper Reading:SAM & FastSAM & MobileSAM 的简单介绍
今年4月,Meta AI公开了Segment Anything Model(SAM),分割一切模型论文:2023年4月5日v1发布于arXiv线上体验demo网站地址:https://segment-anything.com/现已收录ICCV2023(影响因子IS:40.60目标。原创 2023-07-19 23:45:35 · 470 阅读 · 0 评论 -
Paper Reading: 《HIPIE:Hierarchical Open-vocabulary Universal Image Segmentation》
分层的,开放词汇的通用图像分割单位:加州大学伯克利分校,松下人工智能研究;日期:2023.7.3第一作者:王旭东,研究领域:计算机视觉、机器学习。通过消除预定义对象类和粒度的约束,HIPIE为图像分割提供了更灵活、适应性更强的解决方案。HIPIE:v名词解释:Open-vocabulary:核心思想与zero-shot类似,在都是。原创 2023-07-30 17:28:26 · 217 阅读 · 0 评论