检索结果-内蒙古大学图书馆

软件学报 2023年第10期34卷 4916-4929页

作者：冯迅杨健周涛宫辰南京理工大学计算机科学与工程学院模式计算与应用实验室江苏南京210094 高维信息智能感知与系统教育部重点实验室(南京理工大学) 江苏南京210094 江苏省社会安全图像与视频理解重点实验室(南京理工大学) 江苏南京210094

弱监督目标定位是指仅利用图像级的类别标注信息来训练目标定位器,而不需要使用精确的目标位置标注信息来进行算法训练.当前的一些方法往往只能定位出目标对象中最具鉴别性的部分而无法准确地标识出完整的目标对象,或者易受背景无关信... 详细信息

弱监督目标定位是指仅利用图像级的类别标注信息来训练目标定位器,而不需要使用精确的目标位置标注信息来进行算法训练.当前的一些方法往往只能定位出目标对象中最具鉴别性的部分而无法准确地标识出完整的目标对象,或者易受背景无关信息干扰从而导致定位结果不精确.为了解决上述问题,提出一种基于注意力机制和类别层次结构的弱监督目标定位方法.该方法通过对卷积神经网络的注意力图进行均值分割提取更完整的目标区域.进一步,通过类别层次结构网络实现对背景区域注意力的削弱,从而提高对感兴趣目标的定位精度.基于多个网络结构和公共数据集上的大量实验结果表明,相比目前已有的弱监督定位方法,所提方法在多个评价指标下均能够获得更好的定位效果.

关键词：弱监督目标定位网络注意力背景干扰层次结构网络卷积神经网络(CNN)

来源：评论

学校读者我要写书评

暂无评论

融入全局特征和弱判别特征的弱监督目标定位方法研究

融入全局特征和弱判别特征的弱监督目标定位方法研究

引用

作者：崔悦慧南京师范大学

学位级别：硕士

全监督方法在人工智能众多领域都取得了巨大进展,但由于需要大量的标注数据,并且大规模数据标注需要耗费大量的成本,从而阻碍了全监督学习的发展。弱监督学习依靠不确切、不完整或者不准确的数据标注即可完成与全监督标注下相同的学习任... 详细信息

全监督方法在人工智能众多领域都取得了巨大进展,但由于需要大量的标注数据,并且大规模数据标注需要耗费大量的成本,从而阻碍了全监督学习的发展。弱监督学习依靠不确切、不完整或者不准确的数据标注即可完成与全监督标注下相同的学习任务,因此对弱监督学习的方法研究更有现实意义。本文关注于用图像级别标注信息的弱监督目标定位方法研究,针对现有弱监督目标定位方法所存在的无法发现目标全局以及定位区域不完整等问题进行研究,通过挖掘分类卷积网络模型所提取到的丰富目标语义信息,来实现更精准的目标定位。文章取得的主要研究成果如下: (1)提出了一种融入全局特征的弱监督目标定位方法。针对定位目标局部区域的问题,本文一方面通过引入注意力机制提高分类精度,从而进一步提升分类任务所定位到目标强判别特征的准确性;另一方面在卷积神经网络产生的特征中挖掘的目标全局特征;然后进一步将强判别特征与全局特征进行融合得到完整目标定位图,使得定位目标区域更加完整,提升定位性能。在ILSVRC-200测试数据集上的实验表明,本文所提方法明显优于现有的弱监督目标定位方法,Top-1定位错误率指标相比于类激活映射(CAM)方法性能提升了5.04%。 (2)提出了一种融入弱判别特征的弱监督目标定位方法。针对定位目标区域不完整的问题,本文一方面基于擦除思想对分类任务驱动的强判别特征分两次进行挖掘,对目标的定位区域进行一定程度的扩大;另一方面为了摆脱仅仅依赖强判别特征定位的局限,对中间卷积层中无法用于类别区分但又与目标相关的弱判别特征进一步挖掘;最后,本文将强判别特征与弱判别特征融合,从而实现对目标的完整定位。在ILSVRC-200数据集上的实验表明Top-1定位错误率指标相比于类激活映射(CAM)方法性能提升了9.9%。

关键词：弱监督目标定位特征融合目标全局特征弱判别特征

来源：评论

学校读者我要写书评

暂无评论

基于浅层特征的弱监督目标定位研究

基于浅层特征的弱监督目标定位研究

引用

作者：回文君燕山大学

学位级别：硕士

弱监督目标定位利用粗粒度的数据标注,实现目标定位任务。本文针对现有的弱监督目标定位方法存在的问题进行研究,包括仅定位局部区域的问题、边缘信息模糊的问题、忽略类别一致性的问题,取得的主要研究成果包括:(1)提出了基于注意力机... 详细信息

弱监督目标定位利用粗粒度的数据标注,实现目标定位任务。本文针对现有的弱监督目标定位方法存在的问题进行研究,包括仅定位局部区域的问题、边缘信息模糊的问题、忽略类别一致性的问题,取得的主要研究成果包括:(1)提出了基于注意力机制的多分支定位方法。针对弱监督定位算法仅识别局部区域的问题,多分支结构级联分类网络的浅层特征图,构建并行分支以挖掘目标边缘区域。此外,提出通道注意力机制对特征图的通道进行注意力分配,保护非区分性区域。本文在ILSVRC数据集上的实验结果表明:所提出的方法获得优越的定位性能,top-1定位错误率达到46.97%。(2)提出了基于双边缘的弱监督目标定位算法。多分支定位算法虽然能够学习边缘信息,但是以训练资源的增加交换定位精度的提升,是不巧妙的。为了优化这一问题,在推理阶段,利用相似性度量,提取浅层边缘特征,以免训练的方式增强定位特征图中的边缘信息。本文在ILSVRC数据集上的实验结果表明:该方法以更少的训练资源实现了更好的定位精度,top-1定位错误率达到45.89%。(3)提出了基于类别一致性的双边缘定位框架。上述算法挖掘了目标边缘信息,但未考虑图片的类别一致性。因此,基于双边缘定位框架,引入类别一致性信息增强模型对于类内信息的挖掘能力。本文在ILSVRC数据集上进行大量实验,实验结果表明:引入类别一致性信息能够实现更好的定位,top-1定位错误率达到45.56%。

关键词：弱监督目标定位浅层特征注意力机制相似性度量类别一致性

来源：评论

学校读者我要写书评

暂无评论

基于背景抑制擦除与伪监督的弱监督目标定位方法研究

基于背景抑制擦除与伪监督的弱监督目标定位方法研究

引用

作者：吴朝捷华南理工大学

学位级别：硕士

近些年来,深度学习在图像分析、自然语言处理等领域有着广泛的应用和突出的表现。其背后依赖于大量的带有标注的训练数据,数据的质量和数量直接决定了深度学习模型的性能表现。对于目标定位任务来说,训练一个有效的定位模型需要大量的... 详细信息

近些年来,深度学习在图像分析、自然语言处理等领域有着广泛的应用和突出的表现。其背后依赖于大量的带有标注的训练数据,数据的质量和数量直接决定了深度学习模型的性能表现。对于目标定位任务来说,训练一个有效的定位模型需要大量的细粒度的像素级标签。然而,现实场景中获得大量的像素级标签需要耗费大量的人力和时间资源。弱监督目标定位为以上问题提供了一种解决方案,它旨在仅利用图像级别的类别标签,训练能够输出图像目标边界框的定位模型。相比于像素级标签,图像类别标签更容易获取。因此,弱监督目标定位技术可以在不依赖目标位置标签的前提下,为大规模图像数据提供目标位置信息,从而降低人力标注的成本,加速定位算法落地应用。本文基于深度学习方法和卷积神经网络,改进了基于擦除机制的弱监督目标定位方法,并通过引入和改善伪监督学习范式来进一步提升本文方法的性能。本文的主要贡献包括: 1)本文提出了一种背景抑制擦除模型BSE-Net。该算法由三个部分组成。首先,集成对抗擦除利用高级语义信息和多数据流实施擦除操作,在不引入额外网络结构的条件下驱使网络从低层次特征开始挖掘潜在的目标位置信息。其次,背景抑制模块则通过自引导机制,抑制中间特征的抑制背景区域的激活,引导网络关注准确的目标区域。最后,本文提出在推断阶段使用一种精细化的重要性图作为最终的定位热力图,充分利用中间特征的一般性信息和目标细节信息。 2)本文提出了一种基于注意力机制的伪监督算法ABPS。该算法由三个部分组成。首先,提出一种基于BSE-Net的伪监督算法,将上述BSE-Net融入到伪监督学习范式中,通过分离定位任务和分类任务进一步提升本文方法的性能。其次,针对现有伪监督方法存在的不足,设计了一种基于注意力机制的多流丢弃结构来提升伪监督定位模型的泛化能力和性能。最后,提出了一个融合通道注意力的空间增强模块,突出特征在有效目标空间区域的表达,进一步提升定位模型的性能。本文在弱监督目标定位任务常用的数据集上进行了多种实验,证明了本文方法的合理性、有效性和先进性。

关键词：弱监督目标定位深度学习计算机视觉擦除方法

来源：评论

学校读者我要写书评

暂无评论

基于类别激活图的弱监督目标定位与检测方法研究

基于类别激活图的弱监督目标定位与检测方法研究

引用

作者：李亮湖南大学

学位级别：硕士

目前全监督学习在语音识别、自然语言处理、计算机视觉等各个领域都有广泛的应用。但是,全监督学习严重依赖人工标注的大型数据集,这需要消耗大量的人力、物力与时间。弱监督学习只需要使用不完整、不准确或不确切标签的数据即可完成与... 详细信息

目前全监督学习在语音识别、自然语言处理、计算机视觉等各个领域都有广泛的应用。但是,全监督学习严重依赖人工标注的大型数据集,这需要消耗大量的人力、物力与时间。弱监督学习只需要使用不完整、不准确或不确切标签的数据即可完成与全监督学习相同的任务,节省了人力与时间成本。因此,弱监督学习研究对于机器学习的发展具有重要意义。论文针对弱监督目标定位与检测中存在的检测目标区域不完整的问题展开研究,主要工作如下:(1)提出一种空间发散和特征图累加的弱监督目标定位方法(SD-FMA)。通过对卷积神经网络的特征层进行融合,使浅层的物体边缘和轮廓信息融合到深层的特征之中,从而扩大激活区域;同时提出了空间发散损失函数迫使特征图尽可能地分化,最后使用特征图累加方法来融合激活区域,扩大目标的定位范围,最终实现弱监督目标定位。(2)提出一种用于弱监督目标定位的新型区域相似性模块网络(RSMNet)。鉴于物体本身内部的语义具有相似性,首先提出相似性模块来计算出深层特征每个像素的相似性,并得到一个相似性矩阵;使用相似性矩阵和分类网络中的类激活图进行相乘,得到相似激活图像;同时还提出了背景正则化损失和差异正则化损失解决背景过度激活的问题;最终使用特征图累加的方法,融合多个通道的特征图,得到了完整的激活图像。(3)研究基于区域相似性模块网络的弱监督目标检测方法。首先使用条件随机场,对区域相似性模块网络所产生的激活图像进行细化得到了伪掩码。然后,设计语义分割网络并采用伪掩码进行训练,得到了网络输出像素级的掩码;最后对掩码进行添加边界框得到伪边界框,使用伪边界框训练目标检测网络,实现弱监督目标检测。考虑到伪掩码的质量不好会严重影响网络的性能,故采用循环训练的策略,采用分割网络输出的掩码代替质量不好的伪掩码,提高分割网络的性能。

关键词：弱监督目标定位弱监督目标检测深度学习区域相似性网络

来源：评论

学校读者我要写书评

暂无评论

基于深度强化学习的弱监督目标定位方法

基于深度强化学习的弱监督目标定位方法

引用

作者：黄旨然北京交通大学

学位级别：硕士

随着大数据时代的到来以及深度学习技术的蓬勃发展,目标检测与定位取得了跨越式的进步,性能不断提高。但是,目前深度学习的成功需要依赖大量的标注数据,而海量数据的标注费时费力,准确度也难以保证,限制了目标检测在实际任务中的应用。... 详细信息

随着大数据时代的到来以及深度学习技术的蓬勃发展,目标检测与定位取得了跨越式的进步,性能不断提高。但是,目前深度学习的成功需要依赖大量的标注数据,而海量数据的标注费时费力,准确度也难以保证,限制了目标检测在实际任务中的应用。为了减轻对海量数据标注的依赖,研究人员开始关注弱监督目标定位方法,仅用图像类别标签训练来实现目标定位。目前的弱监督学习方法主要利用分类模型进行目标位置信息的挖掘,而分类模型仅关注与类别有关的部分判别性区域,往往得到的目标位置信息不准确、不完整。因此如何将类别标签与目标位置信息有效地联系起来,是该问题研究的难点。为此,经过对相关文献及方法的研究和探索,本文利用深度强化学习技术,将类别标签对应的分类结果作为奖励,驱动智能体寻找更好的目标位置信息,进而提出了基于深度强化学习的弱监督目标定位方法,主要的工作有:(1)设计了基于深度强化学习的弱监督目标定位方法框架,其中包含了基于深度学习的特征提取器、分类器以及基于强化学习的决策智能体。本文主要以VGG16作为特征提取器和分类器,以全连接层网络作为决策智能体。本文后续的工作均在该框架上进行实验和验证。(2)针对弱监督目标定位问题,本文还设计了相应的网络结构、动作策略以及奖励函数,使强化学习方法能够与弱监督目标定位方法更好地结合。根据实验验证和分析,在CUB200数据集中,本文设计的最优网络结构具体为VGG16CONV5-GAP-4096-1024-1024-11actions,该结构在保留图像特征的前提下,提高了强化学习方法训练的稳定性和鲁棒性;动作策略在常见的9个action基础上,设计了11个action,不仅保留了对目标框控制的基本条件,还保证了训练、测试的效率和可能性;奖励函数利用目标框内识别概率和框外识别概率,把目标前景与背景分离,实现类别标签与目标位置区域的联系,解决分类模型过于关注局部特征的问题。(3)设计了两种基于强化学习的目标定位方法,分别是基于值(Value)和基于策略(Policy)的优化方法,并在弱监督目标定位任务上进行了实验验证。同时还在实验中分析了强化学习参数对性能的影响,对比了基于Value和基于Policy方法的优劣。实验结果证明,相比于传统的CAM方法,强化学习的方法在一定程度获得了更好的性能。

关键词：深度强化学习弱监督目标定位目标定位计算机视觉

来源：评论

学校读者我要写书评

暂无评论

基于注意力机制和多模态的弱监督目标定位

基于注意力机制和多模态的弱监督目标定位

引用

作者：张杰河北大学

学位级别：硕士

目标检测是计算机视觉中的重要技术,在自动驾驶、监控安防等领域有着重要的应用。本文针对全监督目标检测网络因实例级别的标注数据获取困难和标注误差偏大而导致的模型预测精度较低的问题,聚焦于弱监督学习领域的研究。弱监督目标检测(... 详细信息

目标检测是计算机视觉中的重要技术,在自动驾驶、监控安防等领域有着重要的应用。本文针对全监督目标检测网络因实例级别的标注数据获取困难和标注误差偏大而导致的模型预测精度较低的问题,聚焦于弱监督学习领域的研究。弱监督目标检测(Weakly Supervised Object Detection,WSOD)和弱监督目标定位(Weakly Supervised Object Localization,WSOL)指训练过程中仅使用图像级别的注释,不使用物体边界框级别的注释,减少了获取标注数据的难度。由于缺乏边界约束信息,导致弱监督方法经常出现聚焦物体局部区域的问题,这是弱监督检测和定位目前面临的重大挑战,针对此问题,本文对现有的弱监督定位算法提出了改进,具体的研究内容如下: 1.为了利用底层transformer层捕捉的物体形状、大小等定位相关的语义信息与图像patch中包含的空间信息,在TS-CAM(Token Semantic Coupled Attention Map)基础上提出了PPA-CAM(Patch-Patch Affinity Fused with Class Attention Map),通过融合多层注意力机制并利用图像patch中的空间信息对物体的初始注意力图进行定位区域调整。首先,PPA-CAM通过融合多层注意力信息,并从中提取patch-patch相似度矩阵信息和class-patch矩阵信息,利用class-patch信息生成初始注意力图,然后遮挡较小的patch-patch相似度值以减少对象定位的干扰,利用完善后的patch-patch相似度矩阵信息改善初始注意力图,最后,将改进后的注意力图与特定类别的特征图相结合用于生成对象定位图。通过在CUB和ILSVRC数据集上与TS-CAM的基准结果相比,PPA-CAM模型分别提升了7%和1%,证明了该算法在弱监督目标定位任务中的有效性。 2.为了弥补单一图像模态信息不足的问题,进一步提升模型的定位效果。本文提出了基于多模态的弱监督定位模型(Multi-Modal Transformer,MMT-Former)。通过预训练的CLIP(Contrastive Language-Image Pre-training)模型对图像的文本标签提取文本描述特征,用以初始化文本标记,经过空间对齐模块,与类别标记和patch标记序列拼接后送入多模态transformer编码器中,在全局范围计算自注意力完成多模态信息的融合,以促进网络更好的对目标物体进行定位,相较于使用单一模态的图像特征,结合CLIP文本标签学习到的多模态特征网络可以更好的定位目标物体区域。

关键词：弱监督目标定位 Transformer Patch-Patch相似度 CLIP预训练多模态

来源：评论

学校读者我要写书评

暂无评论

一种基于区域权重平滑的弱监督目标定位方法

引用

西华大学学报（自然科学版） 2022年第3期41卷 1-7页

作者：刘富罗冰裴峥西华大学无线电管理技术研究中心四川成都610039

由于图像类别标签的弱监督目标定位方法存在定位区域仅覆盖目标最具有显著性类别信息部位的问题,同时,区域的类别信息响应受到关键权重的影响,且关键权重的不均衡导致了定位区域响应的稀疏性,因此,提出一种基于区域权重平滑的弱监督目... 详细信息

由于图像类别标签的弱监督目标定位方法存在定位区域仅覆盖目标最具有显著性类别信息部位的问题,同时,区域的类别信息响应受到关键权重的影响,且关键权重的不均衡导致了定位区域响应的稀疏性,因此,提出一种基于区域权重平滑的弱监督目标定位方法。文章设计了自适应标准差正则项,以缩小关键权重差异,从而在保留网络分类能力的同时平滑定位区域。在多个数据集上实验的结果表明,采用该方法所得的定位区域覆盖面更广,定位精度更高。

关键词：弱监督目标定位正则化类别激活谱图像分类

来源：评论

学校读者我要写书评

暂无评论

结合定位和局部判别性特征训练的细粒度图像分类

引用

智能计算机与应用 2025年第3期15卷 48-55页

作者：梁林林曲海成辽宁工程技术大学软件学院辽宁葫芦岛125105

为解决细粒度图像分类中不相关背景信息干扰,以及子类别差异特征难以提取等问题,提出了一种结合定位和局部判别性特征训练的细粒度图像分类方法(FLRDF)。FLRDF是一个叠加的网络结构,首先利用ResNet50提取输入图片的全局特征,输出特征图... 详细信息

为解决细粒度图像分类中不相关背景信息干扰,以及子类别差异特征难以提取等问题,提出了一种结合定位和局部判别性特征训练的细粒度图像分类方法(FLRDF)。FLRDF是一个叠加的网络结构,首先利用ResNet50提取输入图片的全局特征,输出特征图,在训练过程中使用图像级别的注释,不使用物体边界框级别的注释、即弱监督目标定位;然后,对特征图进行判别性特征抑制处理,准确定位输入图像的前景目标,并按照原图尺寸对前景目标进行放大,再次送入ResNet50网络进行特征学习;最后,打乱前景目标的全局结构,使网络关注局部细节特征。整个网络训练过程,是在多分支损失函数的协同作用下共同约束网络的特征学习。经在CUB-200-2011、Stanford Cars和FGVC-Aircraft三个数据集的实验结果表明:本文方法均取得了不错的分类精度,分别为88.1%、94.9%和93.8%,证明本文算法优于DCL、NTS-Net等主流方法。

关键词：细粒度图像分类弱监督目标定位局部判别性特征残差网络深度学习

来源：评论

学校读者我要写书评

暂无评论

融合目标定位与异构局部交互学习的细粒度图像分类

引用

自动化学报 2024年第11期50卷 2219-2230页

作者：陈权陈飞王衍根程航王美清福州大学计算机与大数据学院福州350108 福州大学数学与统计学院福州350108

由于细粒度图像之间存在小的类间方差和大的类内差异,现有分类算法仅仅聚焦于单张图像的显著局部特征的提取与表示学习,忽视了多张图像之间局部的异构语义判别信息,较难关注到区分不同类别的微小细节,导致学习到的特征缺乏足够区分度.... 详细信息

由于细粒度图像之间存在小的类间方差和大的类内差异,现有分类算法仅仅聚焦于单张图像的显著局部特征的提取与表示学习,忽视了多张图像之间局部的异构语义判别信息,较难关注到区分不同类别的微小细节,导致学习到的特征缺乏足够区分度.本文提出了一种渐进式网络以弱监督的方式学习图像不同粒度层级的信息.首先,构建一个注意力累计目标定位模块(Attention accumulation object localization module,AAOLM),在单张图像上从不同的训练轮次和特征提取阶段对注意力信息进行语义目标集成定位.其次,设计一个多张图像异构局部交互图模块(Heterogeneous local interactive graph module,HLIGM),提取每张图像的显著性局部区域特征,在类别标签引导下构建多张图像的局部区域特征之间的图网络,聚合局部特征增强表示的判别力.最后,利用知识蒸馏将异构局部交互图模块产生的优化信息反馈给主干网络,从而能够直接提取具有较强区分度的特征,避免了在测试阶段建图的计算开销.通过在多个数据集上进行的实验,证明了提出方法的有效性,能够提高细粒度分类的精度.

关键词：深度学习细粒度图像分类弱监督目标定位图神经网络知识蒸馏

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：