supervised 第6页

【论文阅读--WSSS】Multi-class Token Transformer for Weakly Supervised Semantic Segmentation

文章目录方法实验Limitation论文链接：https://arxiv.org/abs/2203.02891代码链接：https://github.com/xulianuwa/mctformer方法plainViT只有一个clstoken,对应得到的attnmap是class-agnostic；为了使得attnmap变得class-specific，采用num_classes个clstoken分

Nastu_Ho-小何同学·2023-04-08 17:03

Deep Learning for Weakly-Supervised Object Detection and Object Localization: A Survey

摘要弱监督目标检测(WSOD)和定位(WSOL)，即使用图像级标签检测图像中包含边界框的多个或单个实例，是CV领域中长期存在且具有挑战性的任务。随着深度神经网络在目标检测中的成功，WSOD和WSOL都受到了前所未有的关注。在深度学习时代，已有数百种WSOD和WSOL方法和大量技术被提出。为此，本文将WSOL视为WSOD的一个子任务，并对近年来WSOD的成就进行了全面的综述。具体来说，我们首先描述了

Wanderer001·2023-04-08 16:31

论文阅读 Adversarial Complementary Learning forWeakly Supervised Object Localization

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featuremap。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discriminitiveregions，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WeaklySupervisedObjectLocalization

枯叶蝶KYD·2023-04-08 16:30

弱监督目标定位综述的理解《Weakly Supervised Object Locolization and Detection : A Survey》

弱监督目标定位综述的理解《WeaklySupervisedObjectLocolizationandDetection:ASurvey》TPAMI最新发布了关于WSOD和WSOL的综述，分享一下阅读论文的一些收获。论文链接link把论文读薄作为一篇综述性质的期刊，内容是很丰富的，我们先整体的看一下这篇文章文章分为九个部分，以总分总的形式讨论，1，2部分从现状挑战引出了对该领域的划分（3大类8小类）

ustcjinggg·2023-04-08 16:30

Rethinking the Route Towards Weakly Supervised Object Localization笔记

CVPR2020本文提出伪监督目标定位方法（PSOL）解决弱监督目标定位问题。将定位与分类分为两个独立的网络，在训练集上使用DDT生成伪groundtruth，通过回归与真实GTbox对比，整体效果达到SOTA。在不同数据集上，PSOL方法不需要fine-tuning也具有很好的定位能力，迁移能力。由于训练集数据大量标注困难，成本高。很多开始研究如何使用弱监督方法来学习目标定位。弱监督训练数据只包

枫叶--·2023-04-08 16:28

Rethinking the Route Towards Weakly Supervised Object Localization 论文笔记

前言通常来说，深度学习在一些计算机视觉任务上的应用，比如分类、定位和检测，需要大量精确标注的数据，而模型在这些数据集上进行预训练之后，并不能直接应用到其它的任务中。为了减少这种限制，人们开始利用弱监督方法来进行学习，弱监督的训练数据一般只有image-level标签，没有大型数据集中的location-level（bbox和关键点）和pixel-level（每个像素都有一个类标签，用于语义分割）标

头柱碳只狼·2023-04-08 16:57

TS-CAM: Token Semantic Coupled Attention Map for Weakly Supervised Object Localization

TS-CAM：用于弱监督目标定位的令牌语义耦合注意图1.摘要：弱监督对象定位(WSOL)是一个具有挑战性的问题，当给定图像类别标签时，需要学习对象定位模型。优化卷积神经网络(CNN)进行分类，倾向于激活局部区分区域，而忽略完整的对象范围，导致部分激活问题。在本文中，我们认为部分激活是由CNN的内在特征引起的，其中卷积操作产生局部接受域，并难以捕获像素之间的长程特征依赖性。我们引入了令牌语义耦合注意

feng3355·2023-04-08 16:25

【论文阅读--WSOL】Spatial-Aware Token for Weakly Supervised Object Localization

文章目录方法实验Limitation论文：https://arxiv.org/abs/2303.10438代码：https://github.com/wpy1999/SAT/blob/main/Model/SAT.py方法这篇文章的方法应该属于FAM这一类。额外添加的一个spatialtoken，从第10-12层开始，利用其得到的attnmap(对hea求mean–B,1,1,N+2)作为visu

Nastu_Ho-小何同学·2023-04-08 16:53

论文阅读-Self-Supervised Video Forensics by Audio-Visual Anomaly Detection-音视频异常检测

一、论文信息论文名称：Self-SupervisedVideoForensicsbyAudio-VisualAnomalyDetection作者单位：Github:https://cfeng16.github.io/audio-visual-forensics.二、动机与创新动机：被操纵的视频通常包含视觉和音频信号之间的微妙不一致，并且很难收集捕获所有可能操作的大型带标签的数据集。为检测被操纵的视

完美屁桃·2023-04-07 01:58

Decoupled Adversarial Contrastive Learning for Self-supervised Adversarial Robustness

本文提出了一种解耦对抗对比学习（DeACL）的两阶段框架。该方法不同于之前直接将AT集成到SSL中的方法，而是将整个分为两阶段进行，这种动机将任务的重点冲为耦合问题寻找最优集成策略转移到为在问题寻找子解决方案。两阶段看似比但阶段耗费时间，但事实是：SSL需要比有监督的训练多M倍的迭代，AT通常比标准训练慢N倍，将AT与SSL组合到一起进行但阶段训练其速度慢了M*N倍，DeACL由于解缠效应只满了M

你今天论文了吗·2023-04-06 03:01

Co-training with High-Confidence Pseudo Labels for Semi-supervised Medical Image Segmentation-23CVPR

paper：https://arxiv.org/abs/2301.04465code：https://github.com/Senyh/UCMT这篇文章是2023的cvpr关于医学图像分割的，用的半监督的方式，最近在工作中也尝试了解半监督，毕竟不仅仅是医学，各种领域的标签都还蛮难弄的，这篇文章正好对应了学校的研究方向，所以赶快分享出来。ssl-semisupervisedleaning半监督关于半

SetMaker·2023-04-05 12:42

＜Change is Everywhere: Single-Temporal Supervised Object Change Detection in Remote Sensing Imagery＞

阅读笔记这是iccv2021的一篇关于遥感影像变化检测的论文。变化检测要求指出同一地方不同时刻（paired）的变化区域，即公式1。目前的方法通常使用双时相数据(pariedbitemporalimages)进行监督学习（图1a），本文提出一种使用单时相数据的方法进行监督训练（图1b），即训练时使用不同区域的图片(unpairedsingle-temporalimages)。这样，需要的工作是如何

CsdnWujinming·2023-04-05 12:39

论文阅读（62）Meta-learning for semi-supervised few-shot classification

续袁·2023-04-04 18:22

论文阅读：Self-Supervised Monocular Depth Estimation with Internal Feature Fusion(DIFFNet)

中文标题：基于内部特征融合的自监督单目深度估计创新点参照HR-Net在网络上下采样的过程中充分利用语义信息。设计了一个注意力模块处理跳接。提出了一个扩展的评估策略，其中方法可以使用基准数据中的困难的情况进行进一步测试，以一种自我建立的方式形成。网络结构设计高分辨率编码器浅层但高分辨率的特征在空间上很精确，相反，深层但低分辨率的特征在空间上并不精确，但是语义信息丰富。xre,sx^e_r,sxre,

BlueagleAI·2023-04-02 15:58

Open AI 自监督学习笔记：Self-Supervised Learning | Tutorial | NeurIPS 2021

转载自微信公众号原文链接：https://mp.weixin.qq.com/s?__biz=Mzg4MjgxMjgyMg==&mid=2247486049&idx=1&sn=1d98375dcbb9d0d68e8733f2dd0a2d40&chksm=cf51b898f826318ead24e414144235cfd516af4abb71190aeca42b1082bd606df6973eb963

R.X. NLOS·2023-04-02 01:31

论文复现-3：ConSERT: A Contrastive Framework for Self-Supervised Sentence Representation Transfer

在这个文件中，data是process之后的数据集，用在model的train过程中。datasets是放置data的zip的文件夹output是modeltrain和evaluation之后得到的文件scripts是modeltrain或者test可能会用到的sh文件sentence_transformers存放的是pythontool中的sentence_transformers的具体模块tr

QianTu&·2023-04-01 18:58

论文复现-1：ConSERT: A Contrastive Framework for Self-Supervised Sentence Representation Transfer

论文题目：ConSERT:AContrastiveFrameworkforSelf-SupervisedSentenceRepresentationTransfer文章目录论文内容回顾论文做了什么？一、问题发现二、relatedwork三、论文工作3.1模型架构3.2模型详解3.3数据增强手段3.4融入supervision信号3.5模型实验四、Ablationstudy论文内容回顾论文做了什么？

QianTu&·2023-04-01 18:57

论文复现-2：ConSERT: A Contrastive Framework for Self-Supervised Sentence Representation Transfer

文章目录代码实现部分1.数据集2.模型部分2.1main主文件模型部分数据加载部分model的加载sentenceembedding的得到train数据dev数据model的train更新参数trainprocess3.损失函数与优化器4.模型训练与推理5.代码运行示例代码实现部分1.数据集Chinesedataset：ATEC-CCKS数据集中是sentencepair形式存储的数据集，每行数据

QianTu&·2023-04-01 18:57

从 Supervised Learning 到 Policy Gradients

http://karpathy.github.io/2016/05/31/rl/的翻译如图，对于有监督学习，深度网络的输出结果是30%可能性predict-label=070%可能性predict-label=1有labeledground-truth-label=0然后，对类似image提升predict-label=0的概率，降低predict-label=1的概率如图，对于强化学习的Poli

CoderOnly·2023-03-31 21:26

Weakly-Supervised Crowd Counting Learns from Sorting rather than Locations 论文阅读笔记

弱监督人群计数:基于排序而非位置信息ECCV2020作者：中国科学院大学中国科学院大数据挖掘与知识管理重点实验室中国科学院智能信息处理重点实验室意大利-特兰托大学1、摘要在人群计数数据集中，位置标签是昂贵的，但它们没有被纳入评价指标。此外，现有的多任务方法采用高级任务来提高计算精度。这种研究趋势增加了对注释的需求。本文提出了一种弱监督计数网络，在没有位置监督的情况下直接回归人群数量。此外，我们通过

今天也学习了嗷·2023-03-31 02:32

【机器学习】半监督学习Semi-supervised Learning

聚类clustering图9-1形象的表示了监督学习与无监督学习的区别。图(1)表示给带标记的样本进行分类，分界线两边为不同的类(一类为圈，另一类为叉)；图(2)是基于变量x1和x2对无标记的样本(表面上看起来都是圈)进行聚类(Clustering)。图9-1一个监督学习与无监督学习的区别实例无监督学习也有很多应用，一个聚类的例子是：对于收集到的论文，根据每个论文的特征量如词频，句子长，页数等进行

Victorrrrr·2023-03-30 22:32

Semi-supervised Multi-modal Emotion Recognition with Cross-Modal Distribution Matching 阅读笔记

Semi-supervisedMulti-modalEmotionRecognitionwithCross-ModalDistributionMatching、特征提取部分BERT-large1024维DenseNet342OPENsmile1582z-normalization（怀疑就是这个导致准备率不高，测试一下）DAE部分对于视觉和文字，因为是一个关于时间的序列特征，所以使用Seq2Seq的

B站：阿里武·2023-03-29 01:03

Position-aware Attention and Supervised Data Improve Slot Filling论文理解

论文题目：Position-awareAttentionandSupervisedDataImproveSlotFilling发表作者：YuhaoZhang,VictorZhong,DanqiChen,GaborAngeli,ChristopherD.Manning出版源：Proceedingsofthe2017ConferenceonEmpiricalMethodsinNaturalLangua

qzlydao·2023-03-26 18:31

SGL：Self-supervised Graph Learning for Recommendation论文

一、前言1、背景探索了在用户-商品图上的自监督学习，以提高GCNs推荐的准确性和鲁棒性。该思想是用一个辅助的自监督任务来补充经典的推荐监督任务，通过自鉴别器来强化节点表示学习。具体来说，我们生成一个节点的多个视图，最大化同一个结点不同视图表示之间的相似性，最小化不同结点表示之间的相似性。我们设计了三个操作来生成视图，分别是节点dropout、边dropout和随机游走，以不同的方式改变图的结构。传

只想做个咸鱼·2023-03-26 07:46

Self-supervised Graph Neural Networks for Multi-behavior Recommendation-IJCAI 2022 读书笔记

0作者ShuyunGu,XiaoWang,ChuanShi∗^∗∗andDingXiao1动机传统推荐系统一般只考虑购买行为，忽略了放入购物车、浏览行为；本文将购买、放入购物车、浏览三个行为一起考虑；考虑购买和放入购物车行为的差异，进行对比学习；考虑购买和浏览行为的差异，进行对比学习。2相关工作GraphNeuralNetworks(GNN):参考文献[3]NGCN:参考文献[4]LightGCN

RebeccaCute·2023-03-26 07:07

经典图推荐系统论文Self-supervised Graph Learning for Recommendation算法及代码简介

Self-supervisedGraphLearningforRecommendation论文链接：https://dl.acm.org/doi/abs/10.1145/3404835.3462862论文背景/动机得益于图神经网络（GraphNeuralNetwork）的强大图结构建模能力，推荐系统已经从建模单一交互对发展至建模整个用户-物品交互图。通过迭代执行多层图卷积网络，中心节点可以聚合来自

博一老狗·2023-03-26 07:25

【GraphNN】Semi-Supervised Hierarchical Recurrent Graph Neural Network for City-Wide Parking Availa...

Semi-SupervisedHierarchicalRecurrentGraphNeuralNetworkforCity-WideParkingAvailabilityPrediction用于城市范围内停车可用性预测的半监督分层递归图神经网络原文链接：https://arxiv.org/pdf/1911.10516.pdf年份：2020Publisher：AAAI2020ComputerScie

冬天都会过去·2023-03-25 10:31

A semi-supervised convolutional neural network for hyperspectral image classification

《Asemi-supervisedconvolutionalneuralnetworkforhyperspectralimageclassification》摘要-CNN在有足够的标签数据的前提下能够表现出强大的学习能力，但是对于HSI来说，标签数据非常有限。本文的主要工作提出了一种半监督的CNN架构，而且在编码－解码中间添加了跳跃连接使得网络能够更好的实现半监督学习。同时在训练的时候将监督和半监

DarrenmondZhang·2023-03-24 16:27

Box-level Segmentation Supervised Deep Neural Networks for Multispectral Pedestrian Detection(19)综述

摘要：本文提出了一种新颖的在检测框层面做语义分割的监督学习框架，能够实现准确且实时地多光谱（可见光和红外光）行人检测。具体来说就是将已经获得的行人检测框的普通图像和红外图像(已对齐)作为输入，然后估计出准确的预测热力图来表征行人的存在。比之前的用anchor来做的多光谱检测方法，本文方法有两个有点：1）抛弃anchor的方法，避免了复杂的anchor超参数设置，而且提高了准确率，对小目标和遮挡目标

蓝田生玉123·2023-03-22 11:52

弱监督实例分割 Box2Mask: Box-supervised Instance Segmentation via Level-set Evolution 论文笔记

弱监督实例分割Box2Mask:Box-supervisedInstanceSegmentationviaLevel-setEvolution论文笔记一、Abstract二、引言三、相关工作3.1全监督的实例分割3.2基于Box的实例分割3.3基于层级的分割四、提出的方法4.1模型总览4.2实例感知解码器IAD基于CNN的IAD基于Transformer的IAD4.2Box层级匹配赋值4.4层级进

乄洛尘·2023-03-22 11:21

Box-level Segmentation Supervised Deep Neural Networks for Accurate and Real-time Multispectral Pede

Box-levelSegmentationSupervisedDeepNeuralNetworksforAccurateandReal-timeMultispectralPedestrianDetectionZhejiangUniversity11ISPRSJournalofPhotogrammetryandRemoteSensing（一区，top）2019/04/01贡献：将anchor-fre

低吟浅笑·2023-03-22 11:50

弱监督实例分割 Box-supervised Instance Segmentation with Level Set Evolution 论文笔记

弱监督实例分割Box-supervisedInstanceSegmentationwithLevelSetEvolution论文笔记一、Abstract二、引言三、相关工作3.1基于Box的实例分割3.2基于层级的分割四、提出的方法4.1图像分割中的层级模型4.2基于Box的实例分割在BoundingBox内的层级进化输入的数据格式层级初始化4.3训练和推理损失函数推理五、实验5.1数据集5.2实

乄洛尘·2023-03-22 11:08

论文阅读 [TPAMI-2022] Label Independent Memory for Semi-Supervised Few-Shot Video Classification

论文阅读[TPAMI-2022]LabelIndependentMemoryforSemi-SupervisedFew-ShotVideoClassification论文搜索(studyai.com)搜索论文:LabelIndependentMemoryforSemi-SupervisedFew-ShotVideoClassification搜索论文:http://www.studyai.com/

北岭狼人·2023-03-19 07:11

【视觉SLAM】MonoRec: Semi-Supervised Dense Reconstruction in Dynamic Environments from a Single Moving C

Citations：F.Wimbauer,N.Yang,L.vonStumberg,etal.MonoRec:Semi-SupervisedDenseReconstructioninDynamicEnvironmentsfromaSingleMovingCamera[C].2021IEEE/CVFConferenceonComputerVisionandPatternRecognition(CVP

振华OPPO·2023-03-18 07:04

论文笔记-Self-Supervised Learning With Adaptive Distillation for Hyperspectral Image Classification

为了解决高光谱分类问题中带标签数据不足，数据标签采集困难的问题，本文提出了一种自适应SoftLabel生成方法，同时提出了PCN网络结果和自适应蒸馏的网络训练方法和高光谱3DTransformation数据增强方法，联合多种方法，实现Fewshotlearning，最终结果显示能够通过5-10个样本，实现80%~90%的分类准确率0.基本信息引用信息J.Yue,L.Fang,H.Rahmanian

HenryYanWhu·2023-03-17 04:09

论文阅读VideoMAE: Masked Autoencoders are Data-Efficient Learners for Self-Supervised Video Pre-Training

VideoMAE:MaskedAutoencodersareData-EfficientLearnersforSelf-SupervisedVideoPre-Training文章目录VideoMAE:MaskedAutoencodersareData-EfficientLearnersforSelf-SupervisedVideoPre-Training研究动机：Abstract本文提出方法：具体

JWangwen·2023-03-16 16:18

Yann LeCun：自监督是AI世界的“暗物质

https://ai.facebook.com/blog/self-supervised-learning-the-dark-matter-of-intelligencehttps://mp.weixin.qq.com

Vinteuil·2023-03-15 20:19

【BData08】Decision Tree 决策树 & Entropy 熵 & 信息增益

一个决策树案例熵Entropy首先，熵是什么，条件熵又是什么信息增益构建决策树决策树解决的是机器学习领域监督学习的分类问题，即：Machine_Learning:Supervised_Learning:

脚踏实地的大梦想家·2023-03-14 07:56

DINO&PAWS

self-distillationwithnolabels)讲解链接：https://sh-tsang.medium.com/review-dino-emerging-properties-in-self-supervised-vision-transformers-cfddbb4d35491.1

Alice01010101·2023-03-09 11:27

自监督学习-论文笔记

关于这几个方法有一个博客值得一看：https://generallyintelligent.ai/blog/2020-08-24-understanding-self-supervised-contrastive-learning

xueliang_·2023-03-09 11:42

【自监督论文阅读笔记】CASTing Your Model: Learning to Localize Improves Self-Supervised Representations

Abstract自监督学习(SSL)的最新进展在很大程度上缩小了与监督ImageNet预训练的差距。尽管这些方法取得了成功，但它们主要应用于未标记的ImageNet图像，并且在对较大的未处理图像集进行训练时显示出小的收益。我们假设当前的SSL方法在iconic标志性图像上表现最佳，而在具有许多对象的复杂的场景图像上表现不佳。分析对比SSL方法表明，它们在场景图像上训练时视觉基础差并且接收到的监督信

YoooooL_·2023-03-09 10:28

DINO Emerging Properties in Self-Supervised Vision Transformers 论文阅读

EmergingPropertiesinSelf-SupervisedVisionTransformers阅读笔记介绍论文作者提出了一种新的自监督学习方法，self-distillationwithnolabels（DINO）。并将其应用在了CNN和VisionTransformer(ViT)结构上，均取得了不错的效果，且ViT的效果还要优于CNN。特点self-supervisedViT的fea

MiHao_YOUNG·2023-03-09 10:27

【自监督论文阅读笔记】Emerging Properties in Self-Supervised Vision Transformers

（2021）Abstract在本文中，我们质疑自监督学习是否为VisionTransformer(ViT)[16]提供了与卷积网络(convnets)相比突出的新属性。除了使自监督方法适应这种架构的效果特别好之外，我们还进行了以下观察：首先，自监督的ViT特征包含关于图像语义分割的显式信息，这在有监督的ViTs和卷积网络中都没有那么明显。其次，这些特征也是优秀的k-NN分类器，在ImageNet上

YoooooL_·2023-03-09 10:52

（四十六）：VATT: Transformers for Multimodal Self-Supervised Learning from Raw Video, Audio and Text

（四十六）：VATT:TransformersforMultimodalSelf-SupervisedLearningfromRawVideo,AudioandTextAbstract1.Introduction2.Relatedwork2.1.TransformersinVision2.2.Self-SupervisedLearning3.Approach3.1.TokenizationandP

Laura_Wangzx·2023-02-06 13:55

论文笔记：Histology Image Classification using Supervised Classification and Multimodal Fusion

该博客由EMMA原创，随意转载，博客原链接HistologyImageClassificationusingSupervisedClassificationandMultimodalFusion原文链接：paper出处：2010IEEEInternationalSymposiumonMultimedia最近在使用小波变换做原始图像预处理，然后用CNN训练多个模型进行分类，想找一个fusion的方法

Emma-SJ·2023-02-06 13:23

SBR笔记:Self-Supervised Hypergraph Convolutional Networks for Session-based Recommendation

至少我还有梦a·2023-02-06 13:23

读书笔记：Self-Supervised GANs via Auxiliary Rotation Loss

读书笔记：Self-SupervisedGANsviaAuxiliaryRotationLoss在读完自监督综述之后，我们接着读这篇文章自监督GAN通过辅助旋转损失Abstract：背景：CGAN是处于自然图像合成的最前沿的方法，但是他的缺点也很明显，需要已经标注好的数据。答案1：我们要做的是缩小有条件ganCGAN和无条件GAN之间的差距；———》我们的方法是使用了对抗训练（adversaria

Jesse～Lau·2023-02-06 13:21

Self-Supervised Adversarial Hashing Networks for Cross-Modal Retrieval

Self-SupervisedAdversarialHashingNetworksforCross-ModalRetrieval解决问题：1.在模型训练时利用单标签去估计语义相关性，但实际数据集中有多类标签同时存在，利用多标签更精准；2.利用哈希编码会导致高维数据的丢失主要思想：自监督对抗哈希网络将标签作为自监督学习的标准，建立两个对抗网络，可让文本，图像，标签在特征提取后信息丢失更少，且语义相关

HYY233·2023-02-06 13:21

Boosting self-supervised Learning via Knowledge Transfer

Boostingself-supervisedLearningviaKnowledgeTransfer这是一篇不错的2016CVPR，值得一读https://amitness.com/knowledge-transfer/

Jesse～Lau·2023-02-06 13:51

推荐频道

supervised