整理:AI算法与图像处理
CVPR2022论文和代码整理:https://github.com/DWCTOD/CVPR2022-Papers-with-Code-Demo
ECCV2022论文和代码整理:https://github.com/DWCTOD/ECCV2022-Papers-with-Code-Demo
标题:Open-Set Semi-Supervised Object Detection
论文:https://ycliu93.github.io/assets/file/ECCV22_OSSOD.pdf
主页:https://ycliu93.github.io/projects/ossod.html
半监督对象检测(SSOD)的最新发展表明了利用未标记数据来改进对象检测器的前景。然而,到目前为止,这些方法都假定未标记数据不包含分布外(OOD)类,这对于更大规模的未标记数据集是不现实的。在这篇文章中,我们考虑一个更实际但更具挑战性的问题,开放集半监督对象检测(OSSOD)。我们首先发现,现有的SSOD方法在开放集条件下获得较低的性能增益,这是由语义扩展引起的,在语义扩展中,分散注意力的OOD对象被错误地预测为半监督训练的分布伪标签。为了解决这个问题,我们考虑在线和离线OOD检测模块,它们与SSOD方法集成。通过广泛的研究,我们发现利用基于自监督视觉变换器的离线OOD检测器,由于其对伪标记干扰的鲁棒性,其性能优于在线OOD检测器。在实验中,我们提出的框架有效地解决了语义扩展问题,并在许多OSSOD基准测试(包括大规模COCOOpenImages)上显示了一致的改进。我们还验证了我们的框架在不同OSSOD条件下的有效性,包括不同数量的分布类、不同程度的监管以及不同组合的未标记集合。
Bridging the visual gap in VLN via semantically richer instructions
Addressing Heterogeneity in Federated Learning via Distributional Transformation
Isometric 3D Adversarial Examples in the Physical World
Segmentation of Multiple Sclerosis Lesions across Hospitals: Learn Continually or Train from Scratch?
Efficient and Effective Augmentation Strategy for Adversarial Training