弱监督检测文章解读之Adversarial Complementary Learning for Weakly Supervised Object Localization

最新推荐文章于 2023-05-23 14:05:05 发布
原创 最新推荐文章于 2023-05-23 14:05:05 发布 · 4.1k 阅读 · 15 ·
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：

#弱监督检测文章解读

介绍了一种名为对抗互补学习（ACoL）的方法，该方法在弱监督条件下实现整体目标的自动定位。通过两个平行分类器的互补擦除过程，确保每个分类器学习目标的不同部分，最终合并得到完整的目标区域。

文章:基于对抗互补学习的弱监督目标定位（个人感觉这篇文章的方法太巧妙了）

Adversarial Complementary Learning for Weakly Supervised Object Localization

http://openaccess.thecvf.com/content_cvpr_2018/papers/Zhang_Adversarial_Complementary_Learning_CVPR_2018_paper.pdf

Github:https://github.com/xiaomengyc/ACoL

摘要：在这项工作中，我们提出了对抗性互补学习（ACoL），以便在弱监督下自动定位语义兴趣的整体对象。这篇文章比较有意思的地方：证明了位置的location map可以通过选择最后一个卷积层的class-specific feature maps直接获得（这个理论在GAN可解释性的文章也通过实验证明了），从而提供了一个简单的方式识别目标区域。文中采用两个平行的分类器，来获得object-location。

这篇文章的方法在我的理解来说应该称为：对抗互补擦除。具体流程可以通过上图解释，即现在我们又分类器A和B，先训练A分类，然后找出对应的类别的feature-map，然后在训练B过程中把这部分feat

最低0.47元/天 解锁文章
Adversarial Complementary Learning for Weakly Supervised Object Localization模型解析(基于对抗互补学习的弱监督目标定位)
weixin_49786531的博客
10-12 1503
基于对抗互补学习的弱监督目标定位
第九章：Adversarial Complementary Learning for Weakly Supervised Object Localization ——对于弱监督对象定位的对抗互补学习
ADICDFHL的博客
07-27 618
在这项工作中，我们提出了对抗互补学习（ACoL），以实现弱监督下语义感兴趣的对象的自动定位。我们首先在数学上证明了可以通过直接选择最后一个卷积层的类特定特征图来获得类定位图，这为识别对象区域提供了一种简单的方法。然后，我们提出了一个简单的网络架构，包括两个并行分类器用于对象定位。具体而言，我们利用一个分类分支在前向传递过程中动态定位一些具有区分性的对象区域。尽管它通常对目标对象的稀疏部分有响应，但这个分类器可以通过从特征图中擦除其发现的区域来驱使对应的分类器发现新的和互补的对象区域。通过这种对抗性学习，两个
论文阅读 Adversarial Complementary Learning forWeakly Supervised Object Localization
u013548568的博客
06-15 3424
Abstract 文章提出了ACoL通过一种弱监督的方式自动定位整合的感兴趣的区域，直接从最后的卷积层来选择class-specific的feature map。其中整个网络包含两个分类器，其中一个分类器A用来定位discriminitive regions，而另一个分类器B用来定义A没有定位出来的感兴趣区域，从而形成一种互补。 任务定义 Weakly Supervised Object...
端到端车道线检测_弱监督对象检测-端到端培训管道
weixin_26632369的博客
07-21 601
端到端车道线检测Object detection is a well-known computer vision problem in which a tremendous amount of research has been done. Fully supervised object detection methods have become state-of-the-art for obje...
Generative Adversarial Learning Towards Fast Weakly Supervised Detection
而濡木染
12-25 1281
Generative Adversarial Learning Towards Fast Weakly Supervised Detection Abstract 近年来，弱监督对象检测已经吸引了广泛的研究工作。在不需要注释边界框的情况下，现有方法通常遵循具有在线强制阶段的两级/多级管道来提取对象提议，这比诸如SSD的快速全监督对象检测器慢一个数量级[31]和YOLO [34]。在本文中，我们...
CCF A类会议或期刊----近两年对比学习相关论文
Thincor的博客
03-20 6059
会议/期刊 论文 sigmod2021 Explaining Black-Box Algorithms Using Probabilistic Contrastive Counterfactuals. neurips2020 Adversarial Self-Supervised Contrastive Learning. neurips2020 Demystifying Contrastive Self-Supervised Learning: Invariances, Augme....
CVPR 2021最全论文开放下载！附pdf下载链接！
热门推荐
中科院AI算法工程师的博客
06-18 1万+
CVPR 2021最全论文开放，附所有pdf下载链接！
Generative Adversarial Learning Towards Fast Weakly Supervised Detection(CVPR2018)阅读笔记
weixin_30868855的博客
07-02 356
弱监督目标检测相对于一般的目标检测任务来说，训练样本不需要实例级别的标注，只需要图片级别的标注，即告诉图片中有什么而不需标注位置信息，这种标注图片容易获取，能节省标注时间及精力。现有的大部分方法在进行若监督目标检测任务时，采用多实例学习方法和two-stage的跟踪框架，检测速度不如one-stage的检测方法，如SSD，YOLO等。本文提出了一种新颖的生成式对抗学习方法，在训练阶段，...
【计算机视觉 | 目标检测】术语理解4：OVD 训练的范式、半监督目标检测（SSOD）、弱监督目标检测（WSOD）、 余弦相似度
wzk4869的博客
05-23 2400
【计算机视觉 | 目标检测】术语理解4：OVD 训练的范式、半监督目标检测（SSOD）、弱监督目标检测（WSOD）、 余弦相似度
Weakly Supervised Object Localization with Multi-fold Multiple Instance Learning
想变有趣的EMMA
01-11 2512
Weakly Supervised Object Localization with Multi-fold Multiple Instance Learning基于多层多实例学习的弱监督物体定位 摘要——在计算及视觉领域，物体的分类定位是一个具有挑战性的问题。标准的监督训练需要物体实例的bounding box标注。弱监督学习避免了这一耗时的标注过程。在这样的情况下，监督信息被限制在了二态标注中
adversarial_complementary_learning
05-09
具有预训练模型的对抗互补学习 弱监督学习使我们对深度神经网络的工作原理有一个有趣的了解。 最近，我发现了Zhang等人的一篇有趣的论文，该论文使用多个顺序分类器生成了更完整的类激活图。 我在PyTorch中实现了他们的方法，并添加了一些我自己的想法。 纸 张小林，魏云超，冯家石，杨怡，黄智超 本文建议的模型由作为特征提取器的backbone和按顺序排列的两个classifiers器组成。 这两个分类器由一个1x1 convolution layer和一个全局平均池层组成，该1x1 convolution layer将要素通道（即2048）缩小到标签大小为C（即4或5）的输出通道中。 然后，分类器使用1x1转换层的cth权重生成class activation map 。 类激活图揭示了给定图像中与目标标签有关的最有区别的区域。 ACoL将特征图的值大于delta的区域清零。 然后，将
Adversarial Objects Against LiDAR-Based Autonomous Driving Systems
sinat_36059653的博客
04-25 687
Adversarial Objects Against LiDAR-Based Autonomous Driving Systems 文章目录Adversarial Objects Against LiDAR-Based Autonomous Driving Systems背景LiADAR-Adv内容LiADV-based detection流程LiDARPreprocessing phaseMachine learning modelPost-processing phase 背景 自动驾驶系统不仅仅是基
CVPR 2020 论文总结：Weakly Supervised Semantic Point Cloud Segmentation: Towards 10×Fewer Labels
zihao_c的博客
11-18 1746
Weakly Supervised Semantic Point Cloud Segmentation: Towards 10×FewerLabels （本文是看完了这篇论文做的总结，有不对的地方欢迎指出） 摘要 针对点云的分析最近受到了很多关注，而分割又是其中最重要的任务之一。目前针对此任务的方法是设计深度网络和做大量的数据标记。本文作者认为做标记是一直有效的方式。 但是标记数据太过费时，所以本文提出了弱监督，只需要标记10%的数据，便可以近似达到全监督的效果。 方法是： 学习梯度近似（.
弱监督的通用方案，CAM从图像级标签到像素级标签
qq_43534932的博客
07-18 5428
简介 我们做深度学习中，到采用的训练方案是全监督的方式，这种全监督的方式，在基本的分类任务当中数据打标签的难度还好，但是在一些更多复杂的深度学习任务中，label的获取就有些困难了。 比如在图像分割领域当中，像素级的标签获取起来费事费力（labelme用起来还挺累的），有没有这么一种算法可以通过分类的标签衍生出像素级的标签，答案是有的。 CAM（Class Activation Mapping）就是目前所有弱监督算法的重要鼻祖。 ...
【cvpr2022-论文笔记】《Class Re-Activation Maps for Weakly-Supervised Semantic Segmentation》
m0_62581245的博客
07-30 3668
弱监督语义分割，CVPR2022，使用图片级多分类标注文件，训练多分类模型获取CAM激活图作为种子区域——SeedGeneration，然后据此生成伪标签——MaskGeneration把伪标签当作ground-truth直接训练分割网络本文重点在于SeedGeneration以及Loss函数的调整，其余技术均借鉴其他研究成果。下图为第二个步骤，SeedGeneration采用本文独创的ReCAM，图中MaskGeneration展示了多种可选方法。第一、三步骤直接引用常规模型。............
CVPR 2018论文解读 | 基于域适应弱监督学习的目标检测
Paper weekly
08-01 5625
在碎片化阅读充斥眼球的时代，越来越少的人会去关注每篇论文背后的探索和思考。在这个栏目里，你会快速 get 每篇精选论文的亮点和痛点，时刻紧跟 AI 前沿成果。点击本文底部...
论文解读：Object Instance Mining for Weakly Supervised Object Detection（AAAI 2020）
CatOneTwo的专栏
05-16 974
导读 本文针对弱监督目标检测任务中，多实例学习方法容易忽略不那么有判别性物体（图像中同一类物体可能不止一个），以及倾向于检测物体实例一小部分的问题，提出基于空间图和外观图的端到端的物体实例挖掘框架 OIM，并设计了物体实例权重重定义损失 IR 帮助OIM检测物体更大的部分。 论文标题：Object Instance Mining for Weakly Supervised Object Detection（AAAI 2020） 论文地址：https://arxiv.org/abs/2002.01087 .
2022年显著性检测部分论文及代码汇总
qq_47627751的博客
12-28 791
SOD2022部分论文收录
弱监督目标检测clip
10-11
弱监督目标检测（Weakly Supervised Object Detection）是指在没有精确物体边框的情况下，通过给出图像级标签（image-level label）来训练模型，从而实现目标检测任务。CLIP 是一种基于对抗自编码器（Adversarial ...
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