• Valse2019笔记——弱监督视觉理解

    程明明（南开大学）：面向开放环境的自适应视觉感知

    （图片来自valse2019程明明老师ppt）

    1. 面向识别与理解的神经网络共性技术

      • 深度神经网络通用架构 —— VggNet（ICLR’15）、ResNet（CVPR‘16）、DenseNet（CVPR’17）、DLA（CVPR‘18）、Res2Net（）富尺度空间的深度神经网络通用架构

      • 富尺度空间的深度神经网络通用架构

        网络结构：

        应用：检测任务、分类任务、分割任务

    2. 通用视觉基元属性感知

    3. 关键机器学习算法到多种行业应用

    4. 总结

      • 通过引入层内分层递进残差链接，实现富尺度空间的深度神经网络通用架构，并通过多任务协同求解提高鲁棒性;
      • 通过预先构建显著性物体检测、边缘提取等任务类别无关的基元属性感知能力，减少具体任务中的数据依赖，实现“举一反三”；
      • 利用互联网海量多媒体数据，减少对人工标注数据的依赖，自主地学习目标类别的识别与检测模型，实现系统智能的自主发育。

    叶齐祥（中国科学院大学）：从弱监督到自学习视觉目标建模 —— weakly supervised object detection, localization, and instance segmentation

    1. 引子

      • 存在问题：

        有监督的目标检测和实例分割的主要流程

        （图片来自valse2019叶齐祥老师ppt）

        从上图看出，数据集的制作需要对大量数据从不同方面进行标注。

      • 解决方法

        如何实现 “ 图像数据库 → 训练数据集 ”？

        • 人工标注：耗时耗力

        • 弱监督的数据标注 → 弱监督学习：高效低耗

    2. 弱监督学习

      • 相关论文：

        CVPR18: Min-entropy Latent Model (MELM)

        PAMI2019: Recurrent Learning(MELM+RecurrentLearning)

        CVPR19: Continuation Multiple Instance Learning(CMIL)
        ICCV17: Soft Proposal Network(SPN)

        CVPR18:PeakResponseMapping(PRM)

        CVPR19:InstanceActivationMap(IAM)

      • 论文详解

        问题提出：隐变量学习、多实例学习

              往往无法学习到全局最优结果

        解决方法：

        如上图所示，针对无法得到全局最优问题，提出了convex regularization和continuation optimization两种方法。

        • continuation optimization(CMIL: Continuation Multiple Instance Learningfor Weakly Supervised object Detection CVPR2019)
        • Recurrent Learning(Min-entropy Latent Model for Weakly Supervised object Detection PAMI2019)
        • soft proposal network(Soft Proposal Network for Weakly Supervised Object Localization ICCV2017)
        • Peak Response Mapping(Weakly Supervised Instance Segmentation using Class Peak Response CVPR2018)
        • learning Instance Activation Maps(Learning Instance Activation Maps for Weakly Supervised Instance Segmentation CVPR2019)

      • 未来发展方向：

        • Beyond regularization and continuation optimization
        • Beyond weakly supervised detection and segmentation
        • Fill the gap of supervised and weakly supervised methods
        • Weakly supervised detection meets X (Self-learning Scene-specific Pedestrian Detectors using a Progressive Latent Model)
          X= Few-shot Active Learning | Online Feedback | Temporal

    魏秀参（旷视科技）：Weakly-supervised object discovery based on pre-trained deep CNNs

    1. 引子

      Deep learning三驾马车

      许多可用的预训练好的深度学习模型

      深度学习模型的训练还需要大量标记的数据

    2. 图像检索（Image Retrieval）

      一般图像检索流程：

      （图片来自valse2019魏秀参老师ppt）

      • 细粒度的图像检索（Fine-grained image retrieval）

      • 基于深度学习的图像检索（Deep learning for image retrieval）

        • Selective Constitutional Descriptor Aggregation（SCDA）

          通过对所有特征图的加权求和得到最后的响应图

        • Unsupervised Object Discovery and Co-Localization by Deep Descriptor Transformation（DDT）

    黄圣君（南京航空航天大学）：Cost-Sensitive Active Learning

    1. 引子

      • 一个传统的有监督学习
      • 有标签的数据非常重要

      当m越大，表示估计的模型越接近真实模型。

      • 有标签的数据非常稀少
      • 有标签的数据非常昂贵：耗时、专业知识人才、耗资

    2. Active Learning —— 可以用更少的标注数据进行学习

      • Cost Sensitive Active Learning

        标记代价 ≠ 查询数量 （查询次数越多不代表所查的东西代价越大）

        影响标记代价因素：实例——用于视频推荐的多视角主动学习（instances ——multi-view active learning for video recommendation）

                      特征——有监督矩阵补全的主动特征获取（features——active feature acquisition with supervised matrix completion）
 
              标签——主动查询分层多标签学习（labels——active querying for hierarchical multi-label learning）
 
              oracles- 积极学习各种不完美的oracles（Oracles——active learning from diverse and imperfect oracles）

    3. 影响标记代价因素详细介绍

      • instances ——multi-view active learning for video recommendation

        视频推荐：协同过滤（冷门启动问题）/基于内容的过滤（需要大量数据训练）

        多视角视频表示：视觉特征、文本特征、用户特征、标签

        motivation：在视频推荐任务中，文本特征（即评论）获取需要很大代价，视觉特征不需要人力代价。

        idea： Visual to text Mapping

      • features——active feature acquisition with supervised matrix completion

        问题：现实应用中往往会出现特征丢失现象，通常导致学习性能下降

        motivation： SMC——supervised matrix completion（exploit the label information / Trace-norm for low-rank assumption）

                AFA——Active Feature Acquisition（minimize the feature acquisition cost / contribute to both recovering missing entries and classification）

        idea：（这部分设计太多专业基础知识，不太明白）

      • labels——active querying for hierarchical multi-label learning

        标签有层次结构

        平衡成本和信息

      • Oracles——active learning from diverse and imperfect oracles

        不同的oracles有不同的价格

        同时选择instance和oracle

        准确而便宜的标签

    4. 总结

      主动学习：用最少的标签代价训练一个高效的模型

      代价和不同的 instances/features/labels/oracles 有关系

    魏云超（UIUC）：Towards Weakly Supervised Object Recognition and Scene Parsing

    1. Self-Erasing Network for Integral Object Attention
    2. Weakly Supervised Scene Parsing with Point-based Distance Metric Learning
  • 相关阅读:
    求二叉树的层次遍历
    求二叉树的先序遍历
    数据结构实验之二叉树一：树的同构
    list列表操作
    汉罗塔问题
    expected an indented block
    42步进阶学习—让你成为优秀的Java大数据科学家！
    MVC 3.0错误 HTTP 404您正在查找的资源(或者它的一个依赖项)可能已被移除，或其名称已更改，或暂时不可用。请检查以下 URL 并确保其拼写正确。
    判断浏览器版本
    VisualStudio2012编辑器错误
  • 原文地址：https://www.cnblogs.com/shyern/p/10755007.html
Copyright © 2020-2023  润新知