本文收集整理弱監(jiān)督學(xué)習(xí)和小目標(biāo)檢測方面的資料辐啄。
[TOC]
- 弱監(jiān)督學(xué)習(xí)
- 何謂弱監(jiān)督學(xué)習(xí)
- CV中的弱監(jiān)督學(xué)習(xí)
- People
- Approaches
- 小目標(biāo)檢測
- 相關(guān)算法
1.弱監(jiān)督學(xué)習(xí)
什么是弱監(jiān)督學(xué)習(xí)
弱監(jiān)督是相對強(qiáng)監(jiān)督而言的壕鹉。所謂監(jiān)督簡單說就是label壳炎，那么強(qiáng)弱監(jiān)督的區(qū)別是從label方面來劃分的：
- 不完整監(jiān)督：部分樣本label缺失赞弥。“部分”有多大呵恢？也許只有小部分樣本有l(wèi)abel方淤。
- 粗粒度監(jiān)督：給出的label你不能說它不對，但是它不夠準(zhǔn)確丹允。比如image-level的label是弱的郭厌，object level的標(biāo)注是強(qiáng)的。（個人覺得周的這個例子不夠完備雕蔽，還應(yīng)該包括“蘋果”和“水果”這樣的弱和強(qiáng)的對比）折柠。
- 有誤的監(jiān)督：給的label包含噪聲，甚至是錯誤的label批狐，比如把“行人”標(biāo)注為“汽車”扇售。當(dāng)然有時候是因為樣本質(zhì)量問題，沒法標(biāo)清楚嚣艇。
不完整監(jiān)督(incomplete supervision)
通常有兩種辦法來解決這類問題：
- 主動學(xué)習(xí)(active learning)
- 半監(jiān)督學(xué)習(xí)(semi-supervised learning)
粗粒度監(jiān)督
可以有一個形式化的表示承冰。。食零。意思是困乒，每個樣本是一個包（“bag”），只要包中含有正樣本贰谣，label就為1娜搂，否則label為-1。任務(wù)的目的就是吱抚，給定沒有見過的包百宇，來判斷包中是否有正樣本。
所以又叫做“多實例學(xué)習(xí)”（multi-instance learning）
（個人覺得秘豹，多實例學(xué)習(xí)MIL最多算是細(xì)粒度學(xué)習(xí)的一種特例恳谎。“蘋果”標(biāo)注為“水果”這樣的標(biāo)注憋肖，不算是MIL，但我認(rèn)為也是粗粒度監(jiān)督婚苹，當(dāng)然劃分到不準(zhǔn)確監(jiān)督也可以岸更。）
不準(zhǔn)確監(jiān)督
這部分沒看。不關(guān)注它膊升。
CV中的弱監(jiān)督學(xué)習(xí)
從兩方面入手：關(guān)注相關(guān)學(xué)者（包括他的group）怎炊；關(guān)注相關(guān)算法
People/Group
魏云超(UIUC, Postdoc)
王興剛(HUST,Assistant Professor)
Paper/Approaches
- 各種帶有“Weakly Supervised Object Detection”的標(biāo)題（或摘要）的文章（在CVPR/ICCV/ECCV上找）
- 各種Multi-instance Learning (MIL) 的文章
- BoxSup/ScribbleSup, MSRA（Kaiming He, Jifeng Dai, Jian Sun） & CUHK 等
- Weakly Supervised Object Boundaries， CVPR16， 項目主頁, video
- YYZhu (NC16)
相關(guān)Slides
Towards Weakly- and Semi- Supervised Object Localization and Semantic Segmentation (VALSE2018)
Weakly-Supervised Semantic Segmentation Network with Deep Seeded Region Growing
2.小目標(biāo)檢測
1) Adaptive Object Detection Using Adjacency and Zoom Prediction (AZ-Net)
Yongxi Lu, Tara Javidi, CVPR16 oral
paper, video, code
論文基于Faster R-CNN债查，針對只包含少量小目標(biāo)的情況，改進(jìn)anchor生成方式:
2) Efficient Object Detection for High Resolution Images
paper
ppt
比較早的文章瓜挽，改進(jìn)Fast R-CNN盹廷。給我的insight大概是：先downsample，以及多路處理久橙？比較engineering的感覺俄占。
3.Reference
[1] A brief introduction to weakly supervised learning
[2] https://zhuanlan.zhihu.com/p/34270286
