公众号内容拓展学习笔记（2022.3.10）

公众号内容拓展学习笔记（2022.3.10）

---

📎 今日要点

1. U2PL: 使用不可靠伪标签的半监督语义分割 (CVPR’22) ⭐️⭐️

   • Abstract: U2PL: 使用不可靠伪标签的半监督语义分割
   • Paper: Semi-Supervised Semantic Segmentation Using Unreliable Pseudo-Labels
   • Code: https://github.com/Haochen-Wang409/U2PL
   • Tips: 半监督任务的关键在于充分利用无标签数据，本文基于「 Every Pixel Matters」的理念，有效利用了包括不可靠样本在内的全部无标签数据，大幅提升算法精度。

2. ICLR 2022 Oral | PiCO：基于对比消歧的偏标签学习 ⭐️⭐️

   • Abstract: PiCO：基于对比消歧的偏标签学习
   • Paper: PiCO: Contrastive Label Disambiguation for Partial Label Learning
   • Tips: 本文提出一个协同的框架解决 PLL 中的两个关键研究挑战——表征学习和标签消歧。具体来说PiCO 由一个对比学习模块和一个新颖的基于类原型的标签消歧算法组成。PiCO 为来自同一类的样本生成紧密对齐的表示，同时促进标签消歧。从理论上讲，我们表明这两个组件能够互相促进，并且可以从期望最大化 (EM) 算法的角度得到严格证明

3. 骗人还是文字强！MIT最新研究：DeepFake换脸还不如编辑动动笔 ⭐️⭐️

   • Abstract: MIT最新研究：DeepFake换脸还不如编辑动动笔
   • Paper: Human detection of political deepfakes across transcripts, audio, and video
   • Tips: 伪造的政治演讲视频比伪造的文字记录更容易识别，这一发现强调了重新让人们忆起常被遗忘的『眼见为实』格言的必要性。

4. Detectors for the 2020s 目标检测算法最新进展 ⭐️⭐️

   • Abstract: 目标检测算法最新进展
   • Tips: 近几年目标检测的落地越发成熟，新的sota网络同样层出不穷，不断刷新着coco的记录。本文盘点截止2019-2021年，在coco test-dev上霸榜，且知名度较广的目标检测网络。

5. 目标检测最少训练数据量及类别不平衡的实战研究 ⭐️⭐️

   • Abstract: 目标检测最少训练数据量及类别不平衡的实战研究
   • Tips: 本文采用Yolov5进行测试，从实验中得出训练时所需图像数据的最少数据量，数据不平衡问题的解决方式，以及模型更新的最优方法。

6. 你一定从未看过如此通俗易懂的YOLO系列（从V1到V5）模型解读！ ⭐️⭐️

   • Abstract: 通俗易懂的YOLO系列（从V1到V5）模型解读！
   • Tips: 本文采用生动有趣的语言和案例，对YOLO系列模型的原理、设计及改进思路进行了详细解读，干货满满，不仅适合新手入门阅读，也能帮助大家进一步加深理解。

📎 Others

• 由于图片权限问题，GitHub是完整版，可以点点 star
• 星标的数量是与个人相关程度，不代表文章内容的好坏
• 关注我的个人网站
• 关注我的CSDN博客
• 关注我的哔哩哔哩
• 关注我的公众号CV伴读社