Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

FreqPose: Frequency-Aware Diffusion with Fractional Gabor Filters and Global Pose-Semantic Alignment.

Sensors (Basel, Switzerland)·2026
Same author

CLIP-RL: Closed-Loop Video Inpainting with Detection-Guided Reinforcement Learning.

Sensors (Basel, Switzerland)·2026
Same author

Micro-Expression Recognition via LoRA-Enhanced DinoV2 and Interactive Spatio-Temporal Modeling.

Sensors (Basel, Switzerland)·2026
Same author

SP-IGAN: An Improved GAN Framework for Effective Utilization of Semantic Priors in Real-World Image Super-Resolution.

Entropy (Basel, Switzerland)·2025
Same author

Single-Character-Based Embedding Feature Aggregation Using Cross-Attention for Scene Text Super-Resolution.

Sensors (Basel, Switzerland)·2025
Same author

SCFusion: Infrared and Visible Fusion Based on Salient Compensation.

Entropy (Basel, Switzerland)·2023

相关实验视频

Updated: May 10, 2025

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
03:31

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Published on: December 15, 2023

428

一个基于自适应加权主动学习和正交数据增强的半监督物体探测器.

Meng Wang1, Xiao Xu1, Haipeng Liu1

  • 1Faculty of Information Engineering and Automation, Kunming University of Science and Technology, Kunming 650500, China.

Sensors (Basel, Switzerland)
|April 28, 2025
PubMed
概括
此摘要是机器生成的。

这项研究引入了自适应加权主动学习 (AWAL) 和直角数据增强 (ODA) 以实现高效的半监督对象检测. 该方法使用有限的标记数据显著提高了模型性能,证明了其资源效率的能力.

关键词:
积极学习是积极学习.相反的学习学习学习.对象检测检测对象检测对象检测半监督学习 半监督学习没有标记的数据挖掘.

更多相关视频

Combining Eye-tracking Data with an Analysis of Video Content from Free-viewing a Video of a Walk in an Urban Park Environment
08:25

Combining Eye-tracking Data with an Analysis of Video Content from Free-viewing a Video of a Walk in an Urban Park Environment

Published on: May 7, 2019

8.9K
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

319

相关实验视频

Last Updated: May 10, 2025

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
03:31

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Published on: December 15, 2023

428
Combining Eye-tracking Data with an Analysis of Video Content from Free-viewing a Video of a Walk in an Urban Park Environment
08:25

Combining Eye-tracking Data with an Analysis of Video Content from Free-viewing a Video of a Walk in an Urban Park Environment

Published on: May 7, 2019

8.9K
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

319

科学领域:

  • 计算机视觉 计算机视觉
  • 机器学习 机器学习

背景情况:

  • 有限的标记数据阻碍了对象检测模型的训练.
  • 高效的资源利用对于开发先进的AI模型至关重要.

研究的目的:

  • 提出一种半监督物体检测 (SSOD) 方法,使用自适应加权主动学习 (AWAL) 和直角数据增强 (ODA).
  • 提高有限的注释数据和未标记数据的利用率,以提高对象检测性能.

主要方法:

  • 实施了一个不确定性抽样框架,以适应加权的评估来进行信息性抽样选择.
  • 引入了一个自适应加权损失函数来利用未标记的数据,使用正常化的不确定性得分作为权重.
  • 应用直角数据增强 (ODA) 在增强数据上的伪监督学习中,以捕捉模式多样性.

主要成果:

  • 在MS-COCO数据集中,仅使用10%的注释数据,实现了35.10的平均平均精度 (mAP).
  • 与没有ODA的基线相比,AWAL战略的业绩提高了1.3%.
  • 纳入ODA带来了额外的1.2%的业绩增长.
  • 在完全注释的MS-COCO和额外的未标记数据上训练时达到43.30 mAP.

结论:

  • 拟议的AWAL和ODA方法显著提高了半监督物体检测效率和性能.
  • 该方法有效地利用有限的标记数据和未标记数据,优于现有的积极学习策略.
  • 证明了该方法的优越性和对资源有限的人工智能开发的潜力.