論文筆記之：Semi-supervised Classification with Graph Convolutional Networks
Semi-supervised Classification with Graph Convolutional Networks 2018-01-16 22:33:36 1. 文章主要思想： 2. 代碼實現（Pytorch）：https://github.com ...
原文：論文筆記（6）：Weakly-and Semi-Supervised Learning of a Deep Convolutional Network for Semantic Image Segmentation
這篇文章的主要貢獻點在於： .實驗證明僅僅利用圖像整體的弱標簽很難訓練出很好的分割模型 .可以利用bounding box來進行訓練，並且得到了較好的結果，這樣可以代替用pixel level訓練中的ground truth .當我們用少量的pixel level annotations和大量的圖像整體的弱標簽來進行半監督學習時，其訓練效果可和全部使用pixel level annotations ...
2018-01-31 13:48 0 1450 推薦指數：
相關推薦
SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS 論文筆記
SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS Thomas N. Kipf、MaxWelling Published as a conference paper at ICLR 2017 論文筆記 ...
論文筆記之：Semi-Supervised Learning with Generative Adversarial Networks
Semi-Supervised Learning with Generative Adversarial Networks 引言：本文將產生式對抗網絡（GAN）拓展到半監督學習，通過強制判別器來輸出類別標簽。我們在一個數據集上訓練一個產生式模型 G 以及 一個判別器 D，輸入 ...
論文筆記（3）：STC: A Simple to Complex Framework for Weakly-supervised Semantic Segmentation
論文題目是STC，即Simple to Complex的一個框架，使用弱標簽（image label）來解決密集估計（語義分割）問題。 2014年末以來，半監督的語義分割層出不窮，究其原因還是因為pixel級別的GroundTruth太難標注，因此弱監督成了人們研究的一個熱門方向。 作者的核心 ...
[CVPR2015] Is object localization for free? – Weakly-supervised learning with convolutional neural networks論文筆記
Is object localization for free? –Weakly-supervised learning with convolutional neural networks. Maxime Oquab, Leon Bottou, Ivan Laptev, Josef ...
論文筆記：Adaptive Consistency Regularization for Semi-Supervised Transfer Learning (CVPR 2021)
論文筆記：Adaptive Consistency Regularization for Semi-Supervised Transfer Learning Paper: Adaptive Consistency Regularization for Semi-Supervised ...
[CVPR2017] Deep Self-Taught Learning for Weakly Supervised Object Localization 論文筆記
http://openaccess.thecvf.com/content_cvpr_2017/papers/Jie_Deep_Self-Taught_Learning_CVPR_2017_paper.pdf Deep Self-Taught Learning for Weakly ...
[論文][半監督語義分割]Semi-Supervised Semantic Segmentation with Cross Pseudo Supervision
CVPR2021 原文 半監督語義分割方法的總結： 主要思想： Consistency regularization ：希望不同擾動之下網絡的輸出結果一致，擾動的加入的位置：（1）在輸入圖片上加擾 ...