弱监督学习和小目标检测

在简书上看到一篇弱监督学习的帖子，由于没有使用简书的习惯，因此分享下这篇帖子，感兴趣的直接去参考原作者。侵删

作者：baiyu33
链接：https://www.jianshu.com/p/7b0161975225
來源：简书

本文收集整理弱监督学习和小目标检测方面的资料。

[TOC]

• 弱监督学习
  • 何谓弱监督学习
  • CV中的弱监督学习
    • People
    • Approaches
• 小目标检测
  • 相关算法

1.弱监督学习

什么是弱监督学习

弱监督是相对强监督而言的。所谓监督简单说就是label，那么强弱监督的区别是从label方面来划分的：

• 不完整监督：部分样本label缺失。“部分”有多大？也许只有小部分样本有label。
• 粗粒度监督：给出的label你不能说它不对，但是它不够准确。比如image-level的label是弱的，object level的标注是强的。（个人觉得周的这个例子不够完备，还应该包括“苹果”和“水果”这样的弱和强的对比）。
• 有误的监督：给的label包含噪声，甚至是错误的label，比如把“行人”标注为“汽车”。当然有时候是因为样本质量问题，没法标清楚。

不完整监督(incomplete supervision)
通常有两种办法来解决这类问题：

• 主动学习(active learning)
• 半监督学习(semi-supervised learning)

粗粒度监督
可以有一个形式化的表示。。。意思是，每个样本是一个包（“bag”），只要包中含有正样本，label就为1，否则label为-1。任务的目的就是，给定没有见过的包，来判断包中是否有正样本。

所以又叫做“多实例学习”（multi-instance learning）
（个人觉得，多实例学习MIL最多算是细粒度学习的一种特例。“苹果”标注为“水果”这样的标注，不算是MIL，但我认为也是粗粒度监督，当然划分到不准确监督也可以。）

不准确监督
这部分没看。不关注它。

CV中的弱监督学习

从两方面入手：关注相关学者（包括他的group）；关注相关算法

People/Group

魏云超(UIUC, Postdoc)
王兴刚(HUST,Assistant Professor)

Paper/Approaches

• 各种带有“Weakly Supervised Object Detection”的标题（或摘要）的文章（在CVPR/ICCV/ECCV上找）
• 各种Multi-instance Learning (MIL) 的文章
• BoxSup/ScribbleSup, MSRA（Kaiming He, Jifeng Dai, Jian Sun） & CUHK 等
• Weakly Supervised Object Boundaries， CVPR16， 项目主页, video
• YYZhu (NC16)

相关Slides

见微知著，弱监督和语义分割（魏云超）

Towards Weakly- and Semi- Supervised Object Localization and Semantic Segmentation (VALSE2018)

Weakly-Supervised Semantic Segmentation Network with Deep Seeded Region Growing

2.小目标检测

1) Adaptive Object Detection Using Adjacency and Zoom Prediction (AZ-Net)

Yongxi Lu, Tara Javidi, CVPR16 oral
paper, video, code
论文基于Faster R-CNN，针对只包含少量小目标的情况，改进anchor生成方式:

image.png

2) Efficient Object Detection for High Resolution Images

paper
ppt
比较早的文章，改进Fast R-CNN。给我的insight大概是：先downsample，以及多路处理？比较engineering的感觉。

image.png

3.Reference

[1] A brief introduction to weakly supervised learning
[2] https://zhuanlan.zhihu.com/p/34270286

最后

以上就是迷你月光为你收集整理的弱监督学习和小目标检测的全部内容，希望文章能够帮你解决弱监督学习和小目标检测所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。