Repository logo
Communities & Collections
All of DSpace
  • English
  • العربية
  • বাংলা
  • Català
  • Čeština
  • Deutsch
  • Ελληνικά
  • Español
  • Suomi
  • Français
  • Gàidhlig
  • हिंदी
  • Magyar
  • Italiano
  • Қазақ
  • Latviešu
  • Nederlands
  • Polski
  • Português
  • Português do Brasil
  • Srpski (lat)
  • Српски
  • Svenska
  • Türkçe
  • Yкраї́нська
  • Tiếng Việt
Log In
New user? Click here to register.Have you forgotten your password?
  1. Home
  2. Browse by Author

Browsing by Author "Huang, Zhen-Tang"

Filter results by typing the first few letters
Now showing 1 - 1 of 1
  • Results Per Page
  • Sort Options
  • No Thumbnail Available
    Item
    Weakly Supervised Object Localization Using A Self-Training Approach
    (2023) 黃貞棠; Huang, Zhen-Tang
    近年物件定位與偵測在深度學習的研究上持續受到關注,許多物件定位的技術廣泛應用於我們的產業與生活中,為了達成可以在現實應用為目標,我們必須考量在現實應用中缺乏完整標註資料與標註成本的問題,且模型的準確率與泛化能力更是重要的指標。弱監督物件定位(Weakly supervised object localization)的研究,是在訓練集資料中缺乏位置級標籤,僅能使用圖像級標籤進行物件定位的工作。最近一個弱監督物件定位規範被提出,其包含一個具位置級標籤但少量的驗證集,供研究者調整超參以訓練出強健的定位模型。在本論文中,我們提出以半監督學習的技術應用於弱監督物件定位工作。我們獨立拆分定位模型與分類模型,可以解決少樣本的物件定位問題,並且避免分類影響定位的性能。我們提出的定位模型以半監督學習的方式進行訓練,首先使用非常少量有標籤的資料訓練定位模型,再利用其為未標註資料產生偽標籤。我們又提出一個偽標籤篩選演算法,從兩個不同的定位結果利用其互補特性,選擇高品質偽的標籤,並解決資料不平衡與樣本難易度差異的問題。最後我們將篩選後的偽標籤作為訓練資料再次訓練模型,配合使用訓練樣本預訓練的分類器進行分類與辨識。我們提出的方法可以有效利用弱標註的訓練資料,降低資料標註成本。我們所提出的方法不僅能有效提升模型的準確率,同時也將模型測試於不同的資料集中展現模型的泛化能力。

DSpace software copyright © 2002-2025 LYRASIS

  • Privacy policy
  • End User Agreement
  • Send Feedback