弱监督目标检测与半监督目标检测
一、监督学习分类
根据数据集的标注情况,分为:监督学习、弱监督学习、弱半监督学习和半监督学习。
监督学习:数据集为带实例级标注的标签,包含坐标和类别信息
弱监督学习:数据集仅带有数据类别的标签,不包含坐标信息
弱半监督学习:数据集中包含少量实例级标注图像,大量数据分类级标注图像,模型期望通过大规模的弱标注数据提升模型的检测能力。
半监督学习:数据集中包含少量实例级标注图像,大量未标注图像,模型期望通过大规模的未标注数据提升模型的检测能力。
二、弱监督目标检测(Weakly Supervised Object Detection,WSOD)
(1)主要思想:
目的:在仅有图像类别的标注情况下,训练一个目标检测器
过程:将图像和proposals丢入目标检测器,训练器根据图像的类别标签来训练(这里的训练loss一般是使用分类的交叉熵,相当于训练一个对proposals分类的分类器);测试时,给定一张图片,目标检测器需要输出图片中的物体的bounding box和对应的类别。
训练步骤:1)产生proposals
2)提取proposals的特征表示
3)使用Multiple instance learning(MIL)给proposals分类
注:可对以上三个步骤进行优化来提升WSOD性能
(2)三大挑战
局部聚焦问题:
由于缺少instance级别的约束,使用class级别的约束造成WSOD仅关注局部区域,因为分类仅需要局部信息,而检测的目标是能够精确定位出物体的最大外界矩阵。
实例却分模棱两可,不容易分辨:
1)丢失实例,由于物体尺度太小与周边环境对比度太小而被忽略
2)一个bounding box框住多个物体,由于物体靠太近,且表现极其相似
大量噪音:
由于没有instances的矩阵标注信息,现阶段的方法都采用大量的object proposals来保证召回率,这样会导致proposals中带大量的噪音(物体的一小部分、背景等),而且训练不稳定还吃GPU。
(3)分类:
基于优化目标函数,我们大致将目前的弱监督目标检测分为两大类:
1)object discovery:
这类方法的目标函数是传统的基于MIL的分类loss。
代表作:Weakly supervised deep detection networks(MIL与CNN结合的开山之作).
2)instance refinement:
此类方法的目标函数除了传统的基于MIL的分类loss,还有使用MIL初步对proposals分类后送到后续的网络做bounding box回归的loss。
代表作:Towards precise End-to-end weakly supervised object detection network.
(4)必读经典论文:
1)Bilen的Weakly supervised deep detection networks
2)Peng Tang的Multiple Instance Detection network with online instance classifier refinement
3)Ke Yang的Towards precise End-to-end Weakly supervised object detection network
三、半监督目标检测(semi-supervised object detection, SSOD)
核心:
充分利用大量未标注、多样性的数据提升模型在测试集上的性能
目前SSOD的两个方向:
1)一致性学习:
利用两个深度卷积神经网络学习同一张unlabeled图像不同干扰(eg水平翻转、不同的对比度、亮度等)之间的一致性,充分利用unlabeled data的信息。
2)伪标签:
利用在labeled data上学习的预训练模型对unlabeled data进行推理,经过NMS后减少大量冗余框后,利用一个阈值去挑选伪标签,最后利用伪标签训练模型。
相关论文:
1)Consistency-based Semi-supervised learning for object detection
2)A Simple Semi-supervised learning Framework for object detection
3)instance-teaching: An End-to-end Semi-supervised object detection Framework
4)Data-Uncertainty Guided Multi-Phase learning for Semi-supervised object detection
5)Unbiased Teacher for Semi-supervised object detection
6)Interactive Self-Training with Mean Teacher for Semi-supervised object detection
弱监督目标检测与半监督目标检测相关推荐
- 登顶KITTI!Mix-Teaching:适用于单目3D目标检测的半监督方法【清华大学】
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 作者丨汽车人 来源丨自动驾驶之心 论文标题:Mix-Teaching: A Simple, Unifi ...
- 点云分割训练哪家强?监督,弱监督,无监督还是半监督?
点击进入->3D视觉工坊学习交流群 0. 笔者个人体会 近年来,自动驾驶领域的各项下游任务基本上都要求了对场景的语义理解,比如自动驾驶车辆要能够理解哪个是路面.哪个是交通灯.哪个是行人.哪个是树 ...
- 远程监督、弱监督、有监督、半监督到底怎么区分
最近火起来的远程监督到底和过去的半监督有什么区别?我的总结如下: 监督学习主要分为以下三类(强化学习等没有考虑): 1.有监督:用有标签的数据训练 2.无监督:用无标签的数据训练 3.弱监督:用含有噪 ...
- 【半监督医学图像分割 2022 CVPR】S4CVnet 论文翻译
文章目录 [半监督医学图像分割 2022 CVPR]S4CVnet 摘要 1. 介绍 2. 相关工作 3. 方法 3.1 CNN & ViT 3.2 特征学习模块 3.3 引导模块 3.4 目 ...
- 【半监督医学图像分割 2021 TMI】SimCVD 论文翻译
文章目录 [半监督医学图像分割 2021 TMI]SimCVD 论文翻译 摘要 1. 介绍 2. 相关工作 3. 方法 3.1 总览 3.2 任务制定 3.3 基础体系结构 3.4 边缘对比蒸馏 4. ...
- 干货!半监督预训练对话模型 SPACE
点击蓝字 关注我们 AI TIME欢迎每一位AI爱好者的加入! 如何将人类先验知识低成本地融入到预训练模型中一直是个NLP的难题.在本工作中,达摩院对话智能团队提出了一种基于半监督预训练的新训练范式, ...
- 【小样本基础】有监督小样本,半监督小样本,无监督小样本
本篇博客探讨的主要是小样本的分类问题 目录 1. 问题定义 2. 有监督小样本分类 3. 半监督小样本分类 3.1 基于一致性约束的方法 3.2 基于伪标注的方法 4. 无监督小样本分类 4.1 基于 ...
- 【机器学习基础】半监督算法概览(Python)
前言 前阶段时间梳理了机器学习开发实战的系列文章: 1.Python机器学习入门指南(全) 2.Python数据分析指南(全) 3.一文归纳Ai数据增强之法 4.一文归纳Python特征生成方法(全) ...
- 融合一致性正则与流形正则的半监督深度学习算法
融合一致性正则与流形正则的半监督深度学习算法 王杰1,2, 张松岩1,2, 梁吉业1,2 1山西大学计算机与信息技术学院 2计算智能与中文信息处理教育部重点实验室 摘要:半监督学习已被广泛应用于大数据 ...
最新文章
- 5G 信令流程 — 5GC 的业务请求(Service Request)
- centos7安装配置cacti
- 游戏开发Camera之Cinematic Camera-深度
- MATLAB无边框输出图像
- isupper函数python_C 库函数
- 【NOIP2008】【Vijos1493】传纸条
- Allegro学习笔记:Allegro快速入门之一--查看BRD Layout
- Spring的AOP中的责任链模式
- 【高老师UML软件建模基础】20级云班课习题答案合集
- 不能被7整除但能被5整除的数
- 前端三刺客---JS(WebAPI)
- flutter添加水印、添加自定义水印、禁止截屏(Android)
- Hadamard 积, Kronecker 积 和 Khatri- Rao积
- php面向对象(基础)
- 配置Hibernate环境
- PN532和控制器之间的交互
- 打开时空隧道,重演云栖72小时云世界
- 【Tip】让我安安静静看直播,一键屏蔽斗鱼虎牙右聊天框
- 2023最新SSM计算机毕业设计选题大全(附源码+LW)之java宠物领养信息管理系统5gcp7
- 基于PCI9054和LTC4240的CPCI总线接口设计