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)

本文主要是介绍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),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

GitHub - junkwhinger/adversarial_complementary_learning

1.背景:

学习仅使用图像级监督来定位感兴趣的对象的深度模型非常困难

早先处理方式:

根据预先训练的卷积分类网络生成类的定位图,通过用一个全局平均池化层和一个全连接层来替换分类网络的最后几层(AlexNet和VGG-16),从而聚合最后一个卷积层的特征用来生成CAM.

存在的问题:

  1. 在图像分类时过度依赖那些对分类有帮助的明显的特征
  2. 不能在图像中密集地定位目标物体的积分区域.

这两个问题主要是由于分类网络倾向于从最具辨别力的部分识别模式以进行识别,这不可避免地导致第二个问题。 例如,给定包含猫的图像,网络可以通过识别头部来识别它,而不管诸如身体和腿部的其余部分。

解决方法及弊端:

方法1:对抗性擦除(Adversarial erasing (AE))方法来发现整体对象区域,对抗擦除,学习到部分特征,我把这个部分擦除掉,再训练一个新的网络,从而使用多个网络学习到全部特征。但这种方式网络太多;

方法2:.随机遮挡图像的一部分,强行让网络学习完整的特征。但这种随机的方式,不能保证每次能学习到新的特征

2.本文提出的方法:

对抗互补学习(ACoL),以便在弱监督下自动定位语义兴趣的整体对象.

本文证明了

  • location map可以通过选择最后一个卷积层的class-specific feature maps直接获得,从而提供了一个简单的方式识别目标区域.
  • 本文采用两个平行的分类器来获得object-location.

ACoL的演示过程:

  1. 先训练A分类,然后找出对应类别的feature map.
  2. 在训练B的过程中把这A部分的feature map擦除,因此B可以再学到该类别的其他区域.
  3. 然后再把B的特征图拿去擦除A,让A去学习B的补集,这样循环互补.最后,将两个分支的目标定位图进行融合,得到完整的目标区域。

如图所示:

图片输入到CNN网络,提取到特征图(公共特征层)后将输入两个CNN分支(我认为这张图画的不是很严谨,因为三个CNN从代码里面看并不是同一个网络.)

提取出的特征进入第一个分支后会检测出某些内容,如图检测出了马的头和尾巴.

之后再把已经定位到的位置(头和尾巴)擦除(erase),再将新的特征图输入第二个CNN分支.因为擦除操作所以无法检测出头和尾巴,因此在第二个分支中检测到了前腿.

最终通过将两个分支融合得到了完整的定位图.

ACoL与AE相比的优势:

  1. 将两个分类器整合成一个网络,而AE独立地训练三个网络来进行对抗性擦除;

  2. AE需要不断迭代的产生map,他必须forward network多次,但是本文只用一次

  3. AE采用CAM来产生localisation map图,因此需要分为两步,本文只用一步, 参考Learning Deep Features for Discriminative Localization.

3.ACoL结构:

        

提出的ACoL共有三个组成部分

  • Backbone:一个全卷积网络用来特征提取.可以是VGG;ResNet etc(这里用的是Resnet). 用来检测特征(mid-level feature map).因为前面不会把特征提取的很详细.
  • ClassifierA
  • ClassifierB
def forward(self, inputs, labels):x = self.backbone(inputs)  #middle level future mapscls_output = []cams = []for idx, cls in enumerate(self.cls_recipe): #pp模型 #[p,p] 1,poutput = self.classifiers[idx](x).squeeze(-1).squeeze(-1) ##将middle level特征图分别传进两个分支cls_output.append(output)cam = self.generate_cam(idx, x, labels)
#[0.9,0.91,0.80]  [F,T,F]  [0,1.0] (热力图中红色的部分是1) 
#[0.9,0,0.8] (擦除操作:用0替代1)cams.append(cam)if idx < len(self.cls_recipe) - 1:mask = (cam > self.deltas[idx]).unsqueeze(1).byte() #deltas的值设置为0.9x = x.masked_fill(mask, value=0) #擦除. else:v_cls_output = torch.stack(cls_output) #将两个分支得到的结果融合v_cams = torch.stack(cams) #热力图叠加return v_cls_output, v_cams

        

这篇关于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)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/824202

相关文章

网页解析 lxml 库--实战

lxml库使用流程 lxml 是 Python 的第三方解析库,完全使用 Python 语言编写,它对 XPath表达式提供了良好的支 持,因此能够了高效地解析 HTML/XML 文档。本节讲解如何通过 lxml 库解析 HTML 文档。 pip install lxml lxm| 库提供了一个 etree 模块,该模块专门用来解析 HTML/XML 文档,下面来介绍一下 lxml 库

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

无人叉车3d激光slam多房间建图定位异常处理方案-墙体画线地图切分方案

墙体画线地图切分方案 针对问题:墙体两侧特征混淆误匹配,导致建图和定位偏差,表现为过门跳变、外月台走歪等 ·解决思路:预期的根治方案IGICP需要较长时间完成上线,先使用切分地图的工程化方案,即墙体两侧切分为不同地图,在某一侧只使用该侧地图进行定位 方案思路 切分原理:切分地图基于关键帧位置,而非点云。 理论基础:光照是直线的,一帧点云必定只能照射到墙的一侧,无法同时照到两侧实践考虑:关

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

【C++】_list常用方法解析及模拟实现

相信自己的力量,只要对自己始终保持信心,尽自己最大努力去完成任何事,就算事情最终结果是失败了,努力了也不留遗憾。💓💓💓 目录   ✨说在前面 🍋知识点一:什么是list? •🌰1.list的定义 •🌰2.list的基本特性 •🌰3.常用接口介绍 🍋知识点二:list常用接口 •🌰1.默认成员函数 🔥构造函数(⭐) 🔥析构函数 •🌰2.list对象

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]