weakly专题
【论文总结】weakly- and semi-supervised learning of a DCNN for semantic Image Segmentation
一、概述 这篇文章研究了如何从弱注释的训练数据（如边界框或图像级标签）或少量强标记图像和许多弱标记图像的组合中学习DCNN用于语义图像分割的问题，在弱超监督和半监督条件下提出了期望最大化（EM）方法。 代码：https://bitbucket.org/deeplab/deeplab-public（caffe框架） 二、研究内容及方法 文章将焦点放在用弱标签训练调参上
Revisiting-Dilated-Convolution-A-Simple-Approach-for-Weakly-and-Semi-Supervised
when 魏云超组的18年cvpr spot who 弱监督语义分割问题的新方法，用扩张卷积得到注意力图，可能能够在GAIN的大框架上面修改 why 提出 尽管弱监督分割方法取得了显着的进步，但仍然不如全监督的方法。我们认为性能差距主要来自他们学习从图像级监督产生高质量密集对象定位图的限制。为了弥补这种差距，我们重新审视了空洞卷积[1]并揭示了如何以一种新颖的方式利用它来有效地克服弱
18-Weakly-Supervised-Semantic-Segmentation-Network-with-Deep-Seeded-Region-Growing
when cvpr18 what 本文研究了仅使用图像级标签作为监督来学习图像语义分割网络的问题，这一点很重要，因为它可以显着减少人类的标注工作。最近关于该问题的最新方法首先使用深度分类网络推断每个对象类的稀疏和鉴别区域，然后使用鉴别区域作为监督来训练语义分割网络。在种子区域扩展的传统图像分割方法的启发下，我们提出从鉴别区域开始训练语义分割网络，逐步增加种子区域扩展的像素级监督。种子区域扩
18-Weakly-Supervised-Semantic-Segmentation-by Iteratively-Mining-Common-Object-Features
when CVPR 2018 who（影响了谁） 图像标签监督下的弱监督语义分割是一项具有挑战性的任务，因为它直接将高级语义与低级别外观相关联。为了弥合这一差距，在本文中，我们提出了一个迭代的自下而上和自上而下的框架，它可以扩展对象区域并优化分割网络。 why(为什么提出) 弱监督的语义分割非常具有挑战性，因为它直接将高级语义与低级别外观相关联。 由于只有图像标签可用，因此大多数先前
17-WILDCAT-Weakly-Supervised-Learning-of-DeepConvNets
who(对谁有效) 弱监督图像语义分割 where 只有图像级标签的数据 when CVPR 2017 what（WILDCAT是什么） 这篇论文提出了一个框架，可以使用弱监督的方法识别一个物体显著的局部特征。首先我们来直观感受下结果，如下图所示，WILDCAT可以识别狗的头部和腿部信息，从而利用这些信息来对狗进行Localization和segmentation. 结
论文阅读笔记：A brief introduction to weakly supervised learning
论文：A brief introduction to weakly supervised learning / 对弱监督学习的简要介绍 作者：Zhi-Hua Zhou / 周志华 发表刊物：National Science Review 发表年度：2018 下载地址：https://academic.oup.com/nsr/article/5/1/44/4093912 Abstract / 摘要
Weakly Supervised Audio-Visual Violence Detection 论文阅读
Weakly Supervised Audio-Visual Violence Detection 论文阅读 摘要III. METHODOLOGYA. Multimodal FusionB. Relation Modeling ModuleC. Training and Inference IV. EXPERIMENTSV. CONCLUSION阅读总结 文章信息： 发表于：
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)
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
Employing Multi-Estimations for Weakly-Supervised Semantic Segmentation
eighted selective training (WST) 辅助信息 作者未提供代码
End-to-End Weakly-Supervised SemanticSegmentation with Transformers
摘要 弱监督语义分割（WSSS）使用图像级标签是一项重要且具有挑战性的任务。由于高训练效率，端到端的WSSS解决方案受到社区越来越多的关注。然而，当前的方法主要基于卷积神经网络，并未正确地探索全局信息，因此通常导致对象区域不完整。为了解决上述问题，本文引入了Transformer，它自然地整合全局信息，以生成更完整的端到端WSSS的初始伪标签。受Transformer中的自注意力和语义关联之间的
IJCNLP2015-Weakly Supervised Models of Aspect-Sentiment for Online Course Discussion Forums阅读笔记
这篇文章的启发主要是aspect和sentiment之间的联系可以设置一些规则实现。 Abstract 大量开放的在线课程 (MOOCs) 正在重新定义教育系统, 超越传统课程所构成的界限。随着在线课程的普及程度的提高, 理解和解释课程参与者的沟通需要相应的增加。在在线课程论坛帖子中确定谈话的主题或内容并推断情绪, 可以使教师干预能够满足学生的需要, 迅速解决与课程相关的问题, 并提高
Object Instance Mining for Weakly Supervised Object Detection
论文题目：Object Instance Mining for Weakly Supervised Object Detection 论文链接：https://arxiv.org/pdf/2002.01087.pdf 论文代码：https://github.com/bigvideoresearch/OIM 提出了一种端到端的物体实例挖掘(Object Instance Min
RefineDNet: A Weakly Supervised Refinement Framework for Single Image Dehazing弱监督框架
我们提出了一个两阶段的弱监督dehazing框架，RefineDNet。 在第一阶段，RefineDNet在恢复可见性之前采用暗通道-----恢复可见性 在第二阶段，对结果细化，通过使用未配对的雾状清晰图像进行对抗性学习--------提高真实性（只需要去除伪影—弱监督） 为了得到更合格的结果，我们还提出了一种有效的感知融合策略来融合不同的去杂输出。 基于学习的视觉效果好，基于先验的去雾效果好。
论文阅读：SCL-WC: Cross-Slide Contrastive Learning for Weakly-Supervised Whole-Slide Image Classification
论文阅读：SCL-WC: Cross-Slide Contrastive Learning for Weakly-Supervised Whole-Slide Image Classification 论文信息摘要1 引言2 相关工作2.1 弱监督WSI分类2.2 对比表示学习(Contrastive representation learning) 3 方法3.1 弱监督WSI分类定义3.
手势识别2020（一）Weakly-supervised Domain Adaptation via GAN and Mesh Model for Estimating 3D Hand Poses
《Weakly-supervised Domain Adaptation via GAN and Mesh Model for Estimating 3D Hand Poses Interacting Objects》论文解读 Abstract 1. Introduction 2. Domain Adaptation Framework 2.1. Training 2.1.1. 2D he
Product1M: Towards Weakly Supervised Instance-Level Product Retrieval via Cross-ModalPretraining论文解读
2021年ICCV《ICCV2021 Product1M_Towards_Weakly_Supervised_Instance-Level_Product_Retrieval_via_Cross-Modal_Pretraining》 代码地址： https://github.com/zhanxlin/Product1M. 主要研究在弱监督的多模态数据场景下，电商领域的产品检索，论文贡献主要在二
Learning Integral Objects with Intra-Class Discriminator for Weakly-Supervised Semantic Segmentation
When the number of class is n, the number of this method is 2n. As the photo show. Every class separated to foreground and background. Q1: The ‘C’ on this photo means the number of class? If do, wh
《RefineDNet: A Weakly Supervised Refinement Framework for Single Image Dehazing》论文阅读
《RefineDNet: A Weakly Supervised Refinement Framework for Single Image Dehazing》论文阅读 文章目录 《RefineDNet: A Weakly Supervised Refinement Framework for Single Image Dehazing》论文阅读论文简介摘要介绍本文主要贡献 提出的网络框架
目标检测——day51 Weakly Supervised Object Detection Using Proposal- and Semantic-Level Relationships
使用建议级和语义级关系的弱监督对象检测方法 1 INTRODUCTION4 THE PROPOSED APPROACH4.1 The Overall Framework4.3 Multi-Label Reasoning Branch 5 EXPERIMENTS 1 INTRODUCTION Fig. 1，通过利用丰富的上下文关系，强推理能力可以弥补在弱监督下学习时具体监督信息的缺