论文笔记（九）：Utilizing the Instability inWeakly Supervised Object Detection

最新推荐文章于 2025-08-26 22:41:41 发布
原创 最新推荐文章于 2025-08-26 22:41:41 发布 · 534 阅读 · 0 ·
CC 4.0 BY-SA版权
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。
文章标签：

#深度学习 #机器学习 #人工智能 #计算机视觉 #算法

本文分析了基于MIL的检测器在弱监督对象检测中的不稳定性，并提出通过融合不同初始化的检测器结果来提高检测性能。文章介绍了多分支框架、在线融合策略（SCS）和正交初始化方法，旨在利用不稳定性达到类似集成学习的效果，提升检测准确性。

文章目录

论文笔记（九）：Utilizing the Instability inWeakly Supervised Object Detection

---------------------------------分割线--------------------------------
艾米拜可
---------------------------------分割线--------------------------------
这篇文章来自CVPR2019，仍旧是一篇弱监督检测的文章，和ICCV上的C-MIDN（之后会补上博客）来自同一位作者，其思路也都相似，都是想利用多实例检测器来进行融合以达到更好的效果，相较于C-MIDN，这篇文章的实现更为简单（没有用到语义分割信息），原理也更好理解。

MIDN的不稳定性

在这里插入图片描述作者在实验中发现如果对相同的MIDN模型进行不同的初始化，其检测结果会有很大变化，如上图所示，即使在本次MIDN中陷入了局部最优的图片，在给与了不同的初始化之后就能正常检测到完整的物体。作者称此为MIDN的不稳定性，为了定量分析这一不稳定性，作者定义了一种度量标准：不一致检测率（IDR）,代表两个检测器结果的不一致性。
不一致检测率（IDR) ：在图像中，若两个检测器的某一类的最高得分边框的IOU<0.5，则表示该图像该类上的结果不一致，而不一致检测率即为两个检测器在测试集上该类的结果不一致率。 I D R ∗ c = ∣ { I k c , w h e r e I o U ( b 1 , k c , b 2 , k c ) < 0.5 } ∣ ∣ { I k c } ∣ , IDR*c=\frac{|\{I_k^c,where IoU(b^c_{1,k},b^c_{2,k})<0.5\}|}{|\{I_k^c\}|}, IDR∗c=∣{ Ikc​}∣∣{

最低0.47元/天 解锁文章
目标检测系列论文阅读--activity Driven weakly Supervised Object Detection
yychentracy的博客
05-15 1388
目标检测系列论文阅读activity Driven weakly Supervised Object Detection摘要introduction## relatedApproach如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FL...
正交初始化（orthogonal initialize）
weixin_40485472的博客
07-26 1万+
正交初始化： 用以解决深度网络下的梯度消失、梯度爆炸问题，在RNN中经常使用的参数初始化方法。 https://blog.youkuaiyun.com/shenxiaolu1984/article/details/71508892 实现代码： def orthogonal(shape): flat_shape = (shape[0], np.prod(shape[1:])) a ...
Utilizing the Instability in Weakly Supervised Object Detection (CVPR2019) 解读
嘿芝麻的树洞
07-02 755
本文主要贡献： 通过分析检测器多示例学习（MIL）的不稳定性，提出了 An end-to-end framework An online fusion strategy 0 检测器多示例学习（MIL）的不稳定性 0.1 不同初始化参数的方法会很大程度上影响proposal的置信度如下图前三列，代表不同初始化参数的MIL-based Detector，可以看出不同分类器所给出的proposal不...
27: SCOUT: Semi-supervised Camouflaged Object Detection by Utilizing Text andAdaptive Data Selection
最新发布
qq_63318216的博客
08-26 290
本文针对现有半监督 COD 方法的不足之处，即无法自适应地选择和利用高质量数据，导致性能不佳。研究人员提出了一个创新的半监督 COD 模型 SCOUT。具体而言，本文提出了 ADAS 模块，通过对抗性增强和采样策略选择有价值的数据，从而避免无意义的数据标注。此外，研究人员提出了 TFM 模型，通过结合伪装相关知识和文本-视觉交互，充分利用指涉文本。此外，研究人员还提出了一个 RefTextCOD 数据集，其中包含大量图像级指涉文本标注。大量实验证明了所提框架和模块的有效性。
SMOKE: Single-Stage Monocular 3D Object Detection via Keypoint Estimation
weixin_56836871的博客
01-16 2643
动机： in this paper that predicts a 3D bounding box for each detected object by combining a single keypoint estimate with regressed 3D variables. As a second contribution, we propose a multi-step disentangling approach for constructing the 3D bounding box, w
【论文阅读】【三维目标检测】VoteNet：Deep Hough Voting for 3D Object Detection in Point Clouds
麒麒哈尔的博客
09-24 1万+
文章目录Hough VotingVoteNet网络结构Voting in Point CloudsObject Proposal and Classification from Votes实验思考 文章：Deep Hough Voting for 3D Object Detection in Point Clouds 2019CVPR Charles R. Qi 与 Kaiming He两位大佬的...
【论文笔记】GCA-Net : Utilizing Gated Context Attention for Improving Image Forgery Localization and Detec
weixin_45366180的博客
02-06 2916
对被操纵像素的取证分析需要从图像中识别各种隐藏的和微妙的特征。传统的图像识别模型通常无法完成这一任务，因为它们偏向于并且更关注占主导地位的局部和空间特征。本文提出了一种新的门控上下文注意力网络（GCA-Net），它利用非局部注意力结合门控机制来捕获更精细的图像差异，从而更好地识别伪造区域。该框架在解码过程的各个阶段使用高维嵌入从粗糙特征映射中过滤和聚合相关上下文。这提高了网络对全局差异的理解，减少了假阳性的定位。
Ubuntu18.04 关闭和开启图形界面
嘿芝麻的树洞
12-17 2万+
关闭用户图形界面，使用tty登录。 sudo systemctl set-default multi-user.target sudo reboot 开启用户图形界面。 sudo systemctl set-default graphical.target sudo reboot
【文献阅读】Zigzag Learning for Weakly Supervised Object Detection
xymdsg的博客
07-11 4081
Zigzag Learning for Weakly Supervised Object Detection：论文传送门
VisualStudioCode 插件：Remote - SSH: Explorer 配置 （MAC）
嘿芝麻的树洞
06-21 5468
本博客针对mac中VisualStudioCode 配置插件：Remote - SSH: Explorer 进行步骤分解。 1 安装插件 点击VisualStudioCode左边标记为1的安装软件按钮，在2中输入Remote-SSH，进行安装。 2 配置插件 2.1 Set up SSH key 1 进入～/.ssh/ 如果路径不存在，则创建。 2 打开终端，输入命令：ssh-keygen -...
pytorch神经网络之卷积层与全连接层参数的设置
热门推荐
嘿芝麻的树洞
09-25 2万+
当使用pytorch写网络结构的时候，本人发现在卷积层与第一个全连接层的全连接层的input_features不知道该写多少？一开始本人的做法是对着pytorch官网的公式推，但是总是算错。
弱监督检测文章解读之Min-Entropy Latent Model for Weakly Supervised Object Detection
一路狂奔的猪的博客
03-11 2091
弱监督目标检测：Weakly supervised object detection (WSOD) 文章：Min-Entropy Latent Model for Weakly Supervised Object Detection 简介： 因为弱监督检测只提供图像的类别标注，而不提供检测框的位置标注。因此弱监督和学习目标之间的不一致性引入了对象位置的随机性和对检测器的模糊性。 文章提出熵...
Collaborative Learning for Weakly Supervised Object Detection 算法笔记
AI之路
07-21 6347
论文：Collaborative Learning forWeakly Supervised Object Detection 论文链接：https://arxiv.org/abs/1802.03531 弱监督目标检测（weakly supervised object detection）是指不需要框标注，仅通过图像级标签就能做目标检测。这方面的研究出发点主要是框标注的成本太高，而图像级标签相...
论文报告笔记（四） Towards Precise End-to-end Weakly Supervised Object Detection Network
lzr_ps的博客
12-20 3748
论文报告笔记（四） Towards Precise End-to-end Weakly Supervised Object Detection Network 回归视觉相关，这篇是iccv2019的关于弱监督目标检测的论文，第一次接触弱监督学习，所以会讲的比较详细。（错误之处请评论指正） 弱监督学习 我们知道，一般的模型分为有监督、无监督和强化学习，那么弱监督是什么呢？ 不同于有监督直接给出详细的...
论文笔记（五） C-MIL: Continuation Multiple Instance Learning for Weakly Supervised Object Detection
lzr_ps的博客
12-27 2962
论文笔记（五） C-MIL: Continuation Multiple Instance Learning for Weakly Supervised Object Detection 这是cvpr2019的oral，还是一篇基于弱监督的目标检测论文。 关于弱监督目标检测的定义在上一篇笔记中已经讲过了 传送门 。与上一篇论文中要缓解的问题一样，即弱监督的损失局部极小问题，但是这篇论文的处理方法更...
论文报告笔记（三） DEMO-Net:Degree-specific Graph Neural Networks for Node and Graph Classification
lzr_ps的博客
12-03 1763
论文笔记（二） DEMO-Net:Degree-specific Graph Neural Networks for Node and Graph Classification 这篇论文不是cv相关，由于要做报告，顺便发篇博客吧 这是2019年8月份在KDD上的一篇关于图神经网络的文章，（找了半天连中文笔记都找不到，只好自己写一篇了）我也是第一次接触图神经网络，有错误请务必评论指正，不胜感激。 F...
论文笔记（八）：Object Instance Mining forWeakly Supervised Object Detection
lzr_ps的博客
02-11 1693
文章目录论文笔记（八）：Object Instance Mining forWeakly Supervised Object DetectionProblem Finding训练集中的样本没有被充分挖掘陷入局部最优问题Contribution整体框架Object Instance Mining(OIM)实例权重重新调整损失Experiment 论文笔记（八）：Object Instance Min...
Enhancing 3D Object Detection with Stereo Matching
07-26
In the context of computer vision, enhancing 3D object detection using stereo matching techniques involves leveraging the geometric constraints provided by stereo imagery to improve the accuracy and robustness of object detection algorithms. Stereo matching, which is the process of finding corresponding points between two images taken from slightly different viewpoints, can provide depth information that is crucial for 3D object detection. By utilizing this depth information, one can better understand the spatial layout of objects within a scene, thereby improving the detection performance. One approach to enhancing 3D object detection using stereo matching involves the integration of stereo vision principles with deep learning models. This can be achieved by designing neural network architectures that take advantage of the disparity maps generated from stereo pairs. Disparity maps represent the pixel-wise differences between the left and right images, which can be converted into depth maps. These depth maps can then be used as additional input channels to convolutional neural networks (CNNs), providing the model with explicit 3D information that can aid in object detection tasks. Moreover, the use of stereo matching can help in refining the bounding box predictions for objects in 3D space. Traditional 2D object detectors provide bounding boxes that are confined to the image plane. However, when combined with stereo matching, these detectors can be extended to predict 3D bounding boxes that encompass the objects in the real world, thus providing more accurate localization of objects in the environment. Another aspect of enhancing 3D object detection using stereo matching lies in the area of multi-view geometry. Multi-view geometry principles can be applied to ensure that the detected objects in 3D space are consistent across different views. This consistency check can help in reducing false positives and improving the overall reliability of the detection system. For instance, when implementing stereo matching techniques for 3D object detection, one might consider the following code snippet that demonstrates how to compute disparity maps using OpenCV, a popular computer vision library: ```python import cv2 import numpy as np # Load left and right images img_left = cv2.imread('left_image.png', 0) img_right = cv2.imread('right_image.png', 0) # Create a stereo block matching object stereo = cv2.StereoBM_create(numDisparities=16, blockSize=15) # Compute the disparity map disparity = stereo.compute(img_left, img_right) # Display the disparity map cv2.imshow('Disparity', disparity) cv2.waitKey(0) cv2.destroyAllWindows() ``` This code snippet uses the StereoBM algorithm from OpenCV to compute a disparity map from a pair of stereo images. The disparity map can then be used as input to a 3D object detection pipeline, where it serves as a proxy for depth information, enabling the detection of objects in three-dimensional space. Furthermore, the application of stereo matching in 3D object detection can benefit from the use of advanced stereo matching algorithms that can handle large disparities and varying lighting conditions. These algorithms can provide more accurate disparity maps, which in turn can lead to better 3D object detection results. In summary, enhancing 3D object detection using stereo matching techniques involves integrating stereo vision principles with modern machine learning models, utilizing disparity maps to provide depth information, applying multi-view geometry for consistency checks, and employing advanced stereo matching algorithms to handle challenging scenarios. By doing so, one can significantly improve the performance of 3D object detection systems in various applications, such as autonomous driving, robotics, and augmented reality.
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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