Instant-Teaching论文分享PPT

基于监督学习的目标检测框架需要大量繁琐的手工标注，这在实际应用中可能不实用。半监督目标检测(Semi-supervised object detection, SSOD)可以有效地利用未标记数据来提高模型的性能，这对于目标检测模型的应用具有重要意义。在本文中，我们重新审视了SSOD，并提出了一个完整的端到端有效的SSOD框架InstantTeaching，该框架在每次训练迭代中使用扩展的弱-强数据增强即时伪标记进行教学。为了缓解确认偏差问题，提高伪标注的质量，我们进一步提出了一种基于instantteach的协同校正方案，记作instantteach∗。在MS-COCO和PASCAL VOC数据集上的大量实验证实了该框架的优越性。具体来说，当使用2%的标记数据时，我们的方法在MS-COCO上超过了最先进的方法4.2 mAP。即使有MS-COCO的完整监督信息，所提出的方法仍然比最先进的方法高出约1.0 mAP。在PASCAL VOC上，我们使用VOC07作为标记数据，VOC12作为未标记数据，可以实现5个以上的mAP改进。

MaskFormer V1 V2论文分享PPT

图像分割是关于将不同语义的像素分组，例如，类别或实例成员关系，其中每个语义的选择定义了一个任务。虽然只是每个任务的语义不同，但目前的研究重点是为每个任务设计专门的体系结构。我们提出了一种新的架构Mask -attention Mask Transformer (Mask2Former)，能够解决任何图像分割任务(全景、实例或语义)。它的关键组成部分包括Mask -attention，通过约束掩模区域内的交叉注意来提取局部特征。除了将研究工作量减少至少三倍之外，它在四个流行的数据集上的性能显著优于最好的专门架构。最值得注意的是，Mask2Former设置了一个新的最先进的全景分割(COCO上57.8 PQ)，实例分割(COCO上50.1 AP)和语义分割(ADE20K上57.7 mIoU)。

GoogLeNet论文原文.pdf

GoogLeNet论文原文下载

深度学习与应用实践期末复习习题.pdf

东华大学深度学习与应用实践课程课后作业与期末复习题