笔记
橘子味的苹果
这个作者很懒,什么都没留下…
展开
-
弱监督目标检测算法论文阅读(六)Erasing Integrated Learning : A Simple yet Effective Approach for Weakly Supervised
这是一篇CVPR2020的中山大学的一篇文章,提出了一个新颖的擦除网络。 Abstract 弱监督对象定位(WSOL)旨在仅通过图像级别标签之类的弱监督来定位对象。但是,基于分类网络的可用技术的一个长期存在的问题是,它们经常导致突出显示最有区别的部分,而不是突出对象的整个范围。然而,相反,尝试探索对象的整体范围可能会降低图像分类的性能。为了解决这个问题,我们通过引入一种新颖的对抗擦除技术,即擦除综合学习(EIL),提出了一种简单而强大的方法。通过在原始CNN中将区分区域挖掘和对抗擦除集成在单个向前-向后原创 2020-12-01 11:27:29 · 1037 阅读 · 0 评论 -
弱监督目标检测算法论文阅读(五)Combinational Class Activation Maps for Weakly Supervised Object Localization
Abstract 弱监督的对象定位最近吸引了关注,因为它旨在通过使用图像级标签来识别类标签和对象位置。先前的大多数方法都使用与最高激活源相对应的激活图。仅利用一个最高概率类别的激活图通常会偏向有限的区域,有时甚至会突出显示背景区域。为了解决这些局限性,我们建议使用激活图,称为组合类激活图(CCAM),这是从最高到最低概率类的激活图的线性组合。通过使用CCAM进行定位,我们抑制了背景区域,以帮助更准确地突出显示前景对象。另外,我们设计网络架构时要考虑空间关系以定位相关对象区域。具体来说,我们将非定位模块在低.原创 2020-06-23 16:40:44 · 1482 阅读 · 0 评论 -
弱监督目标检测算法论文阅读(四)Localizing Common Objects Using Common Component Activation Map
Abstract 在这项工作中,我们提出了一种从一组图像中的新颖对象类别中定位常见对象的方法。 我们使用新的通用组件激活图(CCAM)解决了这个问题,其中我们将特定于类别的激活图(CAM)视为组件,以发现图像集中的通用组件。 我们证明了我们的方法可以在实验中推广到新颖的对象类别。 Introduction 在这项工作中,我们同时考虑了弱监督的对象定位和对象共定位co-localization,以针对没见过的对象类别提出一种简单而有效的通用对象定位方法。与以前的工作不同,我们的方法是无提议框的,它不需要任何.原创 2020-06-22 16:01:23 · 480 阅读 · 0 评论