《Deep Self-Taught Learning for Weakly Supervised Object Localization》
来源:互联网 发布:青岛java招聘 编辑:程序博客网 时间:2024/06/10 03:50
本文提出依靠检测器自身不断改进训练样本质量,不断增强检测器性能的一种全新方法,破解弱监督目标检测问题中训练样本质量低的瓶颈。
Weakly Supervised Objection Localization——弱监督目标定位
也就是说我们训练的图像只有针对图像的【注释】,没有包含物体的矩形框,入论文中的图片所示:
可以很显然的看出,这种无矩形框的弱监督学习要比有矩形框的学习 难很多。
本文的算法流程图如图所示:
3.Deep Self-Taught Learning for WSL
3.1第一部分是Seed Sample Acquisition 初始样本的采集工作;
1. Image-to-Object Transfer
候选区域提取使用的是Hypothesis-CNN-Pooling (HCP) [26]方法,讲图像中属于同一类物体的候选区域提取出来。
2. Reliabe Seed Proposal Generation
上一个步骤提供了若干个候选区域,我们需要使用图论的知识,选择出一个最好的候选区域。
关键是:将此问题 描述为 dense subgraph discovery (DSD)problem
通过上图,我们可以观察到,最好的候选区域位于graph G 节点网络的中点位置,且他的连接点最多。
3.2第二部分是Online Supportive Sample Harvesting 在线支持样本采集工作;
这一步是通过Fast R-CNN 进一步得到 higher-quality positive sample。通过观察不同的候选区域的 relative improvement of output CNN scores 来自动找出最好的候选区域。
坏的候选区域,对于不断提高的 Fast R-CNN。很难获得relative improvement
好的候选区域,对于不断提高的 Fast R-CNN。可以获得relative improvement
- 《Deep Self-Taught Learning for Weakly Supervised Object Localization》
- 目标定位--Deep Self-Taught Learning for Weakly Supervised Object Localization
- Two-Phase Learning for Weakly Supervised Object Localization
- 论文笔记《IS object localization for free? Weakly-supervised learning with convolutional neural network》
- Weakly Supervised Object Localization with Multi-fold Multiple Instance Learning
- Deep learning----------Self-taught learning
- 论文研读--Weakly Supervised Object Localization with Progressive Domain Adaptation
- 【Deep Learning】4、Self-Taught Learning
- Deep learning:十五(Self-Taught Learning练习)
- Deep learning:十五(Self-Taught Learning练习)
- Self-Taught Learning To Deep Networds
- Deep Learning by Andrew Ng --- self-taught
- Deep learning-------------Self-Taught Learning to Deep Networks
- Self-Taught Learning
- Learning Deep Features for Discriminative Localization
- Learning Deep Features for Discriminative Localization
- 论文笔记:Weakly Supervised Deep Detection Networks
- Weakly Supervised Deep Detection Networks 阅读笔记
- 栈回溯原理分析(图解)
- Android仿最新微信自定义相机(长按拍摄,轻点拍照)
- dlnuacm-book完成计划(gitbook的使用)
- C++之编码问题(Unicode,ASCII,本地默认)
- Codeforces 230C Shifts【思维】
- 《Deep Self-Taught Learning for Weakly Supervised Object Localization》
- Python数据挖掘入门与实践(二)——用scikit-learn估计器分类
- 程序设计中的堆和栈
- Android移动开发-使用摄像头和麦克风录制视频的实现
- Zookeeper的功能以及工作原理
- apache服务器开启Gzip压缩服务
- Scratch2.0编程--第十一节 运算符
- Java基础 -- 线程
- 2017/9/30 学习笔记