随着卷积神经网络（Convolutional Neural Network，CNN）的不断发展，目标检测作为计算机视觉中最基本的技术，已取得了令人瞩目的进展。介绍了强监督目标检测算法对数据集标注精度要求高的现状。对基于弱监督学习的目标检测算法进行研究，按照不同的特征处理方法将该算法归为四类，并分析比较了各类算法的优缺点。通过实验比
较了各类基于弱监督学习的目标检测算法的检测精度，并将其与主流的强监督目标检测算法进行了比较。展望了基于弱监督学习的目标检测算法未来的研究热点。
成为VIP会员查看完整内容
基于弱监督学习的目标检测研究进展
相关内容
弱监督学习：监督学习的一种。大致分3类，第一类是不完全监督（incomplete supervision），即，只有训练集的一个（通常很小的）子集是有标签的，其他数据则没有标签。这种情况发生在各类任务中。例如，在图像分类任务中，真值标签由人类标注者给出的。从互联网上获取巨量图片很容易，然而考虑到标记的人工成本，只有一个小子集的图像能够被标注。第二类是不确切监督（inexact supervision），即，图像只有粗粒度的标签。第三种是不准确的监督（inaccurate supervision），模型给出的标签不总是真值。出现这种情况的常见原因有，图片标注者不小心或比较疲倦，或者某些图片就是难以分类。
Arxiv
3+阅读 · 2019年3月20日
相关VIP内容
相关资讯
相关论文
Arxiv
3+阅读 · 2019年3月20日
微信扫码咨询专知VIP会员