原始标签与伪标签在弱监督学习用于车辆定位问题中的效果比较研究
计算机视觉与模式识别
2022-11-22 v2 人工智能
摘要
本研究探讨了在 Car 数据集上，因多重概念含义而产生的不同类别标签对使用弱监督学习进行定位的影响。此外，将生成的标签纳入比较，使解决方案转变为无监督学习。本文研究了除监督学习外其他方法中图像内车辆定位的多种设置。为预测定位标签，采用了类激活映射（Class Activation Mapping, CAM），并根据结果利用形态学边缘检测提取边界框。除原始类别标签外，生成的类别标签也用于训练 CAM，从而构成一个无监督学习示例。在实验中，我们首先分析了 Compcars 数据集上类别标签在弱监督定位中的影响。随后表明，所提出的无监督方法在该特定数据集上比弱监督方法的性能高出约 6%。
引用
@article{arxiv.2010.03815,
title = {A Comparative Study on Effects of Original and Pseudo Labels for Weakly Supervised Learning for Car Localization Problem},
author = {Cenk Bircanoglu},
journal= {arXiv preprint arXiv:2010.03815},
year = {2022}
}
备注
Need to improve the results