弱监督前景学习模型

无需定位标注

该模型可以同时提升弱监督物体定位与检测的性能，无需任何定位标注，且具备良好的迁移能力。

Zhang, Chen Lin · Li, Yin · 吴建鑫

Pattern Recognition 2023

参数信息

定位准确率

74.37 %

检测平均精度

55.7 %

技术优势

无需定位标注

通过弱监督前景学习生成伪框和前景掩码，无需任何定位标注即可训练。

计算成本低

提出的管线计算开销低，易于部署。

迁移能力强

模型在不同任务间表现出良好的迁移能力。

应用场景

• 弱监督学习：用弱监督方式学习前景，减少人工标注成本。
• 物体定位：无需边界框标注即可定位物体。
• 物体检测：提升弱监督检测精度。