简介：摘要：最初的WSOD方法主要基于实例学习（Multiple-In⁃stanceLearning，MIL），这包括使用影像作为套装程式(肯定套装程式至少包含一个肯定执行处理，否定套装程式的所有执行处理都是否定执行处理)、使用物件建议作为执行处理，以及使用这些套装程式产生低监督目标感测器。MIL标准将点值低于指定点但很可能为负值的对象实例计算在内。在这种情况下，选定对象实例的外观和大小略有不同，因此无法创建更敏感的检测分类。您也可以在训练期间选取遗失的实体做为负数实体，以进一步减少分类器的侦测。为了解决这个问题，最近的研究人员拥有一个全面的MIL网络，如 ocr(online instance class lock-finish)、PCL(ProposalClusterLearning)和其他基于CNN的强大学习能力。在端到端MIL网络中，变体分类问题被认为是学习集成模型(映像)时的潜在问题。使用成员名称培训分类，您可以区分正负成员，并获得最积极的结果。但是，由于WSOD图像中没有对象实例级别的标签，因此WSOD方法和fullyuplevelelevationlabeldetection(fsod)方法之间的性能差异很大。本文主要分析特征融合与分割引导的弱监督目标检测。
客服QQ：30444492琼网文【2021】1550-113号
增值电信业务经营许可证：琼B2-20210322
出版物经营许可证：新出发龙华出字第(2021)009号
广播电视节目制作经营许可证：(琼)字第00779号
版权所有 ©2002-2024 期刊网 琼ICP备2021005105号
