亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

論文題目：LGD: Label-guided Self-distillation for Object Detection 中文題目：LGD：用于物體檢測的標簽引導自蒸餾 論文鏈接：

//www.zhuanzhi.ai/paper/4649789799b6a71809c04f330333e194

以往的檢測蒸餾均依賴強預訓練教師網絡的知識。然而現實應用中未必能屢屢獲得這樣的教師。

由此我們提出了首個用于通用目標檢測的自蒸餾框架，它通過跨物體(1)標簽嵌入和(2) 學生網絡特征的異構模態交互，來獲取指導性知識，只需常規監督訓練標簽。

因此被稱為標簽引導自蒸餾 (Label-Guided Self-distillation, LGD)。LGD 在多種檢測器/數據集下均取得明顯提升，相比經典預訓練教師蒸餾模型 FGFI 節省 51%的相對時間(除學生網絡固有訓練時間), 和 34%的絕對時間，且效果更佳。

目標檢測在過去的十年中取得了長足的進步。然而，利用少樣本檢測新類仍然具有挑戰性，因為在低數據環境下的深度學習通常會導致特征空間的退化。現有的研究都采用了整體的微調范式來解決這個問題，即首先對模型進行大量樣本的所有基類的預訓練，然后用它來學習新的類特征空間。盡管如此，這種范式仍然是不完美的。在微調過程中，一個新類可能會隱式地利用多個基類的知識來構造其特征空間，導致特征空間分散，違反類間的可分離性。為了克服這些障礙，我們提出了一種兩步微調的框架，即關聯與識別的少樣本目標檢測(FADI)，該框架采用兩步整合的方法為每個新類建立判別特征空間。1) 在關聯步驟中，與隱式利用多個基類不同，我們通過顯式模擬一個特定的基類特征空間來構造一個緊湊的新類特征空間。具體來說，我們根據每個新類的語義相似度將它們與基類關聯起來。之后，新類的特征空間可以很容易地模仿相關基類的經過良好訓練的特征空間。2)在判別步驟中，為了保證新類和相關基類之間的可分離性，我們對基類和新類的分類分支進行解糾纏。為了進一步擴大各類別間的可分性，引入了一個集合化的保證金損失。在Pascal VOC和MS-COCO數據集上的大量實驗表明，FADI實現了新的SOTA性能，在任何鏡頭/分割中顯著提高了18.7的基線。值得注意的是，這種優勢是在極少的場景中體現出來的。

//www.zhuanzhi.ai/paper/06746cf005b934af3f2ed505ace8f91d

學習用于分布外預測的因果語義表示

Learning Causal Semantic Representation for Out-of-Distribution Prediction 論文摘要：標準的有監督學習方法特別是深度學習方法對分布外樣例的預測表現欠佳，主要由于其學到的表示難免會混淆語義因素和多樣因素，因為兩者在特定環境下具有特定的相關性，但只有語義因素是輸出變量的因。為此，我們通過對變量間因果關系的分析，將這兩個因素分開建模，進而提出了一個因果語義生成模型，并建立了相應的分布外預測方法用于解決常見且有挑戰性的單訓練域的情況。此方法源自因果不變性原理，并基于變分貝葉斯框架實現，其中引入了一個新穎的設計既實現了高效訓練又便于預測。理論上，我們證明了一定條件下，此模型可通過擬合訓練數據來識別語義因素，且這種識別保證了分布外泛化誤差的有界性和成功的領域自適應。實驗結果表明所提方法比主流基線方法具有更好的分布外預測表現。

本文提出了一種基于無監督學習的視頻目標分割方法。與之前的工作不同，我們的公式允許在完全卷積的情況下直接學習密集特征表示。我們依靠統一的網格采樣來提取一組錨點，并訓練我們的模型來在視頻間和視頻內消除它們之間的歧義。然而，訓練這樣一個模型的樸素方案會得到一個退化解。我們提出了一種簡單的正則化方案來防止這種情況，該方案適應了分割任務對相似變換的等方差特性。我們的訓練目標實現高效，并表現出快速的訓練趨同。在已建立的VOS基準上，我們的方法超過了以前工作的分割精度，盡管使用的訓練數據和計算能力明顯更少。

//www.zhuanzhi.ai/paper/0ef8bdd09f3e46584b83f6236ca799fb

論文題目：SOLQ: Segmenting Objects by Learning Queries

中文題目：SOLQ：基于學習查詢的物體分割

論文鏈接：//www.zhuanzhi.ai/paper/aa83650733efb14101109ce1162e6636

DETR 通過引入 Transformer 和匈牙利匹配，實現了端到端的目標檢測。然而，將其拓展至實例分割任務時，會引入過大的計算量，導致無法進行端到端訓練，且性能無法滿足真實需求。

為解決這一問題，我們結合 DETR 和壓縮編碼技術，提出端到端的實例分割框架 SOLQ。SOLQ 提出統一的查詢（query）表征方式，使用壓縮編碼方法如DCT等，將二維高分辨率掩碼壓縮為低維向量，使得三項子任務（分類、定位和分割）能夠并行預測。

實驗結果表明，SOLQ 能夠實現先進的實例分割性能，超越大多數現有方法。此外，我們發現統一的查詢（query）表征可以大大提高 DETR 的檢測性能。我們希望 SOLQ 可以作為基于 Transformer 的實例分割框架的強大基線。

論文標題：Rank & Sort Loss for Object Detection and Instance Segmentation

論文鏈接：//arxiv.org/abs/2107.11669

代碼鏈接：

漲點神器！RS Loss：新損失函數！可助力現有目標檢測和實例分割網絡漲點，如應用于Cascade R-CNN、SOLOv2等，優于QFL、AP和Focal Loss等損失，代碼剛剛開源！

本文提出 Rank & Sort (RS) Loss，作為基于ranking的損失函數來訓練深度目標檢測和實例分割方法（即視覺檢測器）。RS Loss 監督分類器，這些方法的一個子網絡，將每個positive 排名高于所有負面，并根據（wrt.）它們的連續定位質量（例如 Intersection-over-Union - IoU）對它們之間的positive 進行排序.為了解決排序和排序的不可區分性，我們重新制定了錯誤驅動更新與反向傳播的結合作為身份更新，這使我們能夠對正樣本中的新排序錯誤進行建模。使用 RS 損失，我們顯著簡化了訓練：（i）由于我們的排序目標，分類器優先考慮正數，而無需額外的輔助頭（例如，對于中心度、IoU、mask-IoU），（ii）由于其排名 -基于性質，RS 損失對類不平衡具有魯棒性，因此，不需要采樣啟發式，并且（iii）我們使用無調整任務平衡系數來解決視覺檢測器的多任務性質。使用 RS 損失，我們僅通過調整學習率來訓練七個不同的視覺檢測器，并表明它始終優于基線：例如我們的 RS 損失在 COCO 數據集上將 (i) Faster R-CNN 提高了約 3 個框 AP 和 aLRP 損失（基于排名的基線）提高了約 2 個框 AP，（ii）具有重復因子采樣（RFS）的 Mask R-CNN 提高了 3.5 LVIS 數據集上的掩碼 AP（稀有類約為 7 個 AP）；并且也優于所有同行。

盡管主動學習在圖像識別方面取得了長足的進步，但仍然缺乏一種專門適用于目標檢測的示例級的主動學習方法。在本文中，我們提出了多示例主動目標檢測（MI-AOD），通過觀察示例級的不確定性來選擇信息量最大的圖像用于檢測器的訓練。MI-AOD定義了示例不確定性學習模塊，該模塊利用在已標注集上訓練的兩個對抗性示例分類器的差異來預測未標注集的示例不確定性。MI-AOD將未標注的圖像視為示例包，并將圖像中的特征錨視為示例，并通過以多示例學習（MIL）方式對示例重加權的方法來估計圖像的不確定性。反復進行示例不確定性的學習和重加權有助于抑制噪聲高的示例，來縮小示例不確定性和圖像級不確定性之間的差距。實驗證明，MI-AOD為示例級的主動學習設置了堅實的基線。在常用的目標檢測數據集上，MI-AOD和最新方法相比具有明顯的優勢，尤其是在已標注集很小的情況下。

代碼地址為//github.com/yuantn/MI-AOD

//www.zhuanzhi.ai/paper/cb3378314b648e21f7e04d86c3bc5727

GID提出了一種基于檢測任務的新型蒸餾方法。通過從teacher和studnet中分別提取general instance (GI)，并提出GISM模塊自適應選擇差異大的instance進行feature-based、relation-based以及response-based蒸餾。本方法首次將關系型知識蒸餾應用于檢測框架，且將蒸餾目標從獨立考慮的正負樣本蒸餾統一為更本質GI蒸餾，過程中不依賴于GT，且達到SOTA。