【paper reading】《Proposal learning for semi-supervised object detection》

最新推荐文章于 2024-04-03 14:21:56 发布
最新推荐文章于 2024-04-03 14:21:56 发布
阅读量1.6k 收藏 5
点赞数 1
分类专栏： 论文笔记 文章标签： 人工智能 深度学习 计算机视觉
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/wd18508423052/article/details/105826828
版权
本文探讨了《Proposal learning for semi-supervised object detection》论文，介绍了一个两阶段的半监督目标检测框架，通过自监督学习获取上下文信息和噪声鲁棒的特征，并利用一致性正则来提升无标注数据的学习效果。实验证明，该方法在COCO2017数据集上表现出色。
摘要由CSDN通过智能技术生成

在这里插入图片描述

原文地址：https://arxiv.org/abs/2001.05086

文章目录

1 Backgroud and Motivation

在这里插入图片描述

如上图d所示，半监督的目标检测是一部分数据具有和全监督一样的标注信息(包括目标框和对应的分类)，剩下部分的数据完全没有标注信息。而弱监督则是标注信息是粗粒度的，信息不够全面。在本文中用公式表达数据: D l = { ( I , G ) } D^l=\{(I,G)\} Dl={ (I,G)}表示有完整信息的那部分， D u &#

最低0.47元/天 解锁文章
请痛捶我
关注
  • 1
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
【CVPR 2022】半监督目标检测：Dense Learning based Semi-Supervised Object Detection
梁瑛平的博客
07-04 2179
本文提出了一种用于无锚框SSOD的半监督学习算法。具体来说，为了对密集学习进行仔细的标签指导，本文首先提出了一种自适应过滤（AF）策略，从而将伪标签划分为三个细粒度的部分，包括背景、前景和可忽略区域。然后使用 MetaNet 对这些伪标签进行细化，以消除分类伪正样本...
Official Program for CVPR 2015
ZhangPY的专栏
03-02 4313
From:  http://www.pamitc.org/cvpr15/program.php   Official Program for CVPR 2015 Monday, June 8 8:30am-8:40am Ballrooms A,B,C Rooms 302,304,306 Opening Remarks from Conference C
Trans论文 | Proposal Learning用于半监督的目标检测
gzq0723的博客
02-14 4007
春暖花开今年的疫情给大家带来了很多的不便，但是我们“计算机视觉战队”依然坚守自己岗位，给关注我们的同学带来新的分享，今年我们大家一起加油！今天我们主要还是说一说目标检测的知识，这个框架主...
(2022 AAAI) Semi-Supervised Object Detection with Adaptive Class-Rebalancing Self-Training
Closure
05-26 502
Motivation: SSOD中的伪标签不准确。此外，在前景-背景不平衡的标记数据上训练的模型容易产生有偏差的预测。 类别不平衡（前景背景不平衡，前景类别不平衡） Method： 前景-背景重新平衡的数据防止模型过度匹配背景实例，并帮助从大量未标记的数据中挖掘有益的信息。 前景-前景重新平衡的数据有利于利用来自被忽视的类的信息的模型预测，并避免对过度聚焦的类的有偏见的预测 CropBank存储ground truths/pseudo labels of foreground instances i
Label Matching Semi-Supervised Object Detection
Closure
08-31 1409
其中np为与不确定伪标签相匹配的对应proposal个数，C为类别数，ps i, C为学生模型中第i个proposal中第C个类别的概率，pt i, C为与ps i, C相匹配的教师模型中对应的软标签。为了鼓励自训练过程中的正反馈，我们引入了一种可靠的伪标签挖掘(RPLM)策略来进一步提高性能，旨在以课程的方式将高质量的不确定伪标签转化为可靠的伪标签。从分布级标签错配问题的角度来看，由于数据的类别分布不平衡，使用单一且固定的置信阈值来生成无偏倚的伪标签来匹配类分布一致的地真标签是极其困难的。...
Semi-DETR: Semi-Supervised Object Detection with Detection Transformers阅读笔记
最新发布
2301_78698967的博客
04-03 2254
对基于DETR的半监督目标检测(SSOD)框架进行了分析，发现:(1)当伪真值边界盒不准确时，一对一分配策略会产生不正确的匹配，导致训练效率低下;(2)基于der的检测器在输入查询和预测输出之间缺乏确定性对应关系，这阻碍了当前SSOD方法中广泛使用的基于一致性的正则化的适用性。我们提出了Semi-DETR，第一个基于变压器的端到端半监督对象检测器，来解决这些问题。
CVPR 2022 论文列表（持续更新）
热门推荐
gbstack08的专栏
03-05 1万+
本文包括论文链接及代码 关注公众号：AI基地，及时获取最新资讯，学习资料 GitHub链接：GitHub - gbstack/cvpr-2022-papers: CVPR 2022 papers with code 因为CSDN的markdown编辑器限制，文本多了保存会卡死。大家尽量到上面的GitHub链接去看吧。 CVPR2022 Papers (Papers/Codes/Demos) 分类目录： 1. 检测 2. 分割(Segmentation) 3. 图像处理(Image Pro
ICCV2017论文摘要汇总
super_chicken的博客
04-18 6339
1. Globally-Optimal Inlier Set Maximisation for Simultaneous Camera Pose and Feature Correspondence Abstract: Estimating the 6-DoF pose of a camera from a single image relative to a pre-computed 3D p...
CVPR 2017论文
YongqiangGao的专栏
08-16 1万+
近期在看CVPR2017的文章，顺便就把CVPR2017整理一下，分享给大家，更多的 Computer Vision的文章可以访问Computer Vision Foundation open access、CVPapers。Machine Learning 1Spotlight 1-1AExclusivity-Consistency Regularized Multi-View Subspace
【论文笔记】半监督目标检测（Semi-Supervised Object Detection，SSOD）
m0_61899108的博客
02-16 5849
前言 本文转载于半监督目标检测（Semi-Supervised Object Detection，SSOD）相关方法介绍 - 知乎 本文结合相关论文介绍了一些半监督目标检测（Semi-Supervised Object Detection，SSOD）算法，即如何利用大量的 unlabeled data 提升模型的检测性能。 什么是半监督目标检测？ 传统机器学习根据训练数据集中的标注情况，有着不同的场景，主要包括：监督学习、弱监督学习、弱半监督学习、半监督学习。由于目标检测任务的特殊性，在介绍半监
《论文阅读》SESS: Self-Ensembling Semi-Supervised 3D Object Detection
未知丶的博客
11-11 940
留个笔记自用 SESS: Self-Ensembling Semi-Supervised 3D Object Detection 做什么 3D object detection。3维目标检测 对于输入的3D点云，像2D一样使用一个bounding box去将相应的物体包围起来，不过这里使用的bounding box也同样变成了3维的 做了什么 3D物体检测对数据集的要求都懂，是很昂贵的，这里采用的是一个半监督的结构。 怎么做 首先是定义一下任务，就像其他的3D检测任务一样，输入是一个点云，输出是3D对象
CVPR2021论文翻译：Yang Interactive Self-Training With Mean Teachers for Semi-Supervised Object Detection
ahhhhhh520的博客
07-21 1488
CVPR2021论文翻译：Yang Interactive Self-Training With Mean Teachers for Semi-Supervised Object DetectionAbstract（摘要）1.Introduction（介绍）2.Related Works（相关工作）3.Method（方法）3.1.Preliminary（准备工作）3.2.Pseudo Labels Fusion（伪标融合）3.3.Interactive Self-Training（互动自训练）3.4.Mea
半监督目标检测（四）
wutongxdf的博客
11-24 2027
Dense Learning based Semi-Supervised Object Detection / Dense Teacher: Dense Pseudo-Labels for Semi-supervised Object Detection
半监督目标检测（五）
wutongxdf的博客
12-01 1119
Semi-supervised Object Detection via Virtual Category Learning
目标检测——day51 Weakly Supervised Object Detection Using Proposal- and Semantic-Level Relationships
想太多的学习日志
10-31 371
本文提出了一种新的弱监督目标检测方法，该方法分别利用建议级关系和语义级关系来帮助推理所期望的目标位置和语义存在性。
Consistency-based Semi-supervised Active Learning: Towards Minimizing Labeling Cost 阅读笔记
weixin_44460701的博客
11-25 2550
详细内容见论文原文《Consistency-based Semi-supervised Active Learning: Towards Minimizing Labeling Cost》 摘要 主动学习将数据标注和模型训练结合，通过优先选择能够最好提升模型性能的高价值数据，最小化标注成本。在基于池的主动学习中，大多数传统的方法在模型的训练阶段不使用未标注数据。在本文中，作者提出统一样本选择和模型训练过程，以最小化标注成本，并为此做出两大贡献。第一，作者通过半监督学习，使用已标注数据和未标注数据，在训练阶段
CVPR2023 Pseudo-Label Guided Contrastive Learning for Semi-Supervised Medical Image Segmentation
qq_43656233的博客
08-29 2316
尽管最近半监督学习（SemiSL）方面的工作在自然图像分割方面取得了巨大的成功，但从有限的注释中学习判别性表示的任务一直是医学图像中的一个悬而未决的问题。对比学习（CL）框架使用相似性度量的概念，这对于分类问题很有用，但是它们无法将这些质量表征转移到精确的像素级分割。为此，我们提出了一种新颖的基于半监督补丁的 CL 框架，用于医学图像分割，而不使用任何显式的借口任务。我们利用 CL 和 SemiSL 的强大功能，其中 SemiSL 生成的伪标签通过提供额外的指导来帮助 CL，
【文献阅读】Zigzag Learning for Weakly Supervised Object Detection
xymdsg的博客
07-11 3955
Zigzag Learning for Weakly Supervised Object Detection：论文传送门
faster r-cnn: towards real-time object detection with region proposal networks
06-28
Faster R-CNN是一种基于区域建议网络（Region Proposal Networks，RPN）的物体检测算法，旨在实现实时物体检测。它通过预测每个区域是否含有物体来生成候选框，并使用卷积神经网络（CNN）来确定候选框中的物体类别。...
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