首页 > TAG信息列表 > Weakly
Background Suppression Network for Weakly-supervised Temporal Action Localization概述
0. 前言 相关资料： arxiv github 论文解读1，论文解读2 论文基本信息： 领域：弱监督时序行为定位 发表时间：AAAI 2020（2019.11.22） 1.针对的问题 弱监督视频动作定位中，这篇论文之前的方法聚合帧级别的类分数，以产生视频级别的预测并从视频级别的动作中学习。此方法无Action Graphs: Weakly-supervised Action Localization with Graph Convolution Networks总结
1.针对的问题 在弱监督动作定位领域，这篇论文之前的方法没有明确利用视频片段之间的相似性来进行定位和分类预测，但是作者认为，在没有帧级标注的情况下，弱监督系统必须依赖视频时序段之间的相似性提示。具体来说，必须（1）利用不同动作类别的前景片段之间的差异来正确分类视频；（2） 使用相Action Shuffling for Weakly Supervised Temporal Localization概述
1.针对的问题 目前的弱监督动作定位方法表现出两个显著的趋势： （1） 动作背景建模。通过分别学习视频级别的动作和视频的背景表示，可以提高动作定位性能，然而，视频级建模只能捕获粗粒度的描述。对动作的内在特征进行深入分析的研究较少。 （2） 探索外部资源。为了弥补弱监督带来ACGNet Action Complement Graph Network for Weakly-supervised Temporal Action Localization概述
1.针对的问题 现有WTAL方法通常利用现成的段级特征，这些特征存在空间不完整性和时间不一致性，具体来说，空间不完整性指动作片段经常会出现遮挡、模糊、外场等问题，因此缺乏特定的空间细节，时间不一致性指一个完整的动作通常跨越一个较长的时间窗口，而一个较短的动作片段不足以观察该A Hybrid Attention Mechanism for Weakly-Supervised Temporal Action Localization概述
大多数现有的WTAL方法依赖于多示例学习（MIL）范式，然而，现有的基于MIL的方法有两个局限性 （1）即只捕获动作中最具辨别力的帧，而忽略活动的全部范围。 （2）这些方法不能有效地对背景活动进行建模，这在定位前景活动方面起着重要作用。 2.主要贡献 （1）提出了一个新的框架，其中包含一个混Weakly Supervised Deep Learning for Thoracic DiseaseClassification and Localization on Chest X-rays
摘要 胸部X光检查时临床上最常见和最实惠的放射检查之一。虽然在胸部X线上检测胸部疾病仍然是一项具有挑战性的任务，但由于1）不同胸部疾病患者的X涉嫌上病变区域出现的高度不同，以及2）放射科医生缺乏准确的像素级注释来进行模型训练。现有的机器学习方法无法应对胸部疾病通常发生A fusion-based enhancing method for weakly illuminated images
摘要 我们提出了一种简单有效的基于融合的弱光照图像增强方法，该方法使用了几种成熟的图像处理技术。首先，我们采用基于形态学逼近的光照估计算法将观测图像分解为反射图像和光照图像。然后，我们使用sigmoid函数和自适应直方图均衡化导出两个输入，它们表示第一次分解照明的亮One Thing One Click: A Self-Training Approach for Weakly Supervised 3D Semantic Segmentation笔记
点云初学者，有理解错误的欢迎提出。 简述 问题：对点云上的每个点进行标签标注的成本高昂 目的： achieve a performeance comaprable with a fully supervised baseline given the extremely-sparse annotations。【弱监督下的点云语义分割】。 实验所采用的数据集： ScanNet-v2 S3DIS论文阅读：Weakly-Supervised Semantic Segmentation via Sub-Category Exploration
论文：Weakly-Supervised Semantic Segmentation via Sub-Category Exploration 论文下载：Weakly-Supervised Semantic Segmentation via Sub-Category Exploration 源码地址：https://github.com/Juliachang/SC-CAM Background 语义分割的目标是为图像中的每一个像素指定一个相应的语CONTA: Causal Intervention for Weakly-Supervised Semantic Segmentation
As the part of theory is hard to understand, I will start from method part and complete theory part in the future method The most difficult part is the meaning of C: confounder set. The cRevisiting Dilated Convolution:A Simple Approach for WeaklyAnd SemiSupervised Semantic Segmentation
CVPR 2018，weakly supervised segmentation UIUC 知乎笔记论文阅读：Improvement of End-to-End Offline HMER by Weakly Supervised Learning
一、简介 提出了一种利用深度神经网络识别离线手写数学表达式(HMEs)的改进方法。使用弱监督学习来端到端地训练它。 该网络有三个部分：使用卷积神经网络从输入HME图像编码高级特征；使用GRU的解码器来解析高级特征并生成LaTeX格式的输出表达式；以及一个符号分类器，以提高高级特征的OrigamiNet: Weakly-Supervised, Segmentation-Free, One-Step, Full Page Text Recognition by learning t
Abstract 文本识别是计算机视觉的一项主要任务，具有一系列相关的挑战。其中一个传统的挑战是文本识别和分割的耦合性质。在过去的几十年里，这个问题已经逐步得到解决，从基于分割的识别到免费分割的方法，证明了更准确和更便宜的数据注释。我们从无分割单行识别向无分割多行/全页识论文笔记二：Weakly Supervised Learning of Instance Segmentation with Inter-pixel Relations
论文题目：基于像素间关系的弱监督语义分割（Weakly Supervised Learning of Instance Segmentation with Inter-pixel Relations） 论文来源：2019 [CVPR] http://arxiv.org/pdf/1904.05044 一、简介 论文提出了一种基于图像级分类标签的弱监督实例分割方法。该方法的基本阅读笔记：Self-supervised Equivariant Attention Mechanism for Weakly Supervised Semantic Segmentation
Self-supervised Equivariant Attention Mechanism for Weakly Supervised Semantic Segmentation 基于等变注意力机制的弱监督语义分割 论文来源：https://arxiv.org/abs/2004.04581v1 源码：https://github.com/YudeWang/SEAM 目录 1 概述 2 核心思想 3 基本方法 3.1 等变一致