今日 Paper 弱监督目标的定位；递归残差卷积神经网络；嵌套U-Net结构；超

本文为2020CVPR的著作。针对目前弱监视方向定位手腕的题目，本论文提出了伪监视方向定位手腕(PSOL)来治理当下酌量的窘境。作家阔别从定位和分类两方面来搭修伪监视方向定位的收集，接着正在操练集上运用Deep descriptor transformation(DDT)天生伪GT举行操练，具体成效抵达SOTA。

二、通过实践验证，该算法正在区别数据集上不须要fine-tuning也能有很好的定位转移才能。

本文作家提出了一种基于U-Net的递归卷积神经收集（RCNN）和一种基于U-Net模子的递归残差卷积神经收集（RRCNN），阔别称为RU-Net和R2U-Net。提出的模子运用了U-Net，残差收集和RCNN。最先，残差单位正在操练深度架构时会有所助助。其次，具有递归残差卷积层的特质对朋分职司具有更好的特质外现。第三，它使咱们可能打算出具有不异数目收集参数的更好U-Net架构，并具有更好的医学图像朋分机能。

正在功夫序列的理解上，学术界仍旧具有富厚的酌量根本和史籍，因为假设根本历程为线性，绝大大都现有的手腕只依赖于功夫序列的一阶和二阶属性。然而，非线性数据正在实际宇宙却广大存正在，针对此种情形，本文厉重治理了对非线性功夫序列分类的题目。

此前，并没有运用高阶频谱理解（HOSA）对贸易和工业的功夫序列数据举行统计分类的相干酌量。本文厉重提出一种将高阶频谱理解（HOSA）和深度神经收集（DCNN）联结起来，对非线性功夫序列举行分类的手腕。同时，还运用了贝叶斯神经收集，对非线性功夫序列数据举行不确定性胸怀。正在实践一面，本文（1）完成了谷歌趋向数据的分类（2）完成了基于用电糜掷量对家庭电器的分类。

面临非线性功夫序列的现有有用分类手腕的亏损，以及非线性功夫序列数据正在实际生涯中广大存正在的实情，本文提出了一种非线性功夫序列分类的手腕。此手腕（1）有利于不确定胸怀（2）可能容纳高维数据组织，避免举行高糜掷的蒙特卡洛马尔可夫链的策画（3）完成了特质提取的变体，此变体可能通过识别用来确定种别概率的症结频率来举行推理。

本文厉重酌量的是奈何对少样本方向举行检测，正在此根本上，作家提出了一种蕴涵Attention-RPN、众闭连检测器以及比较操练战术的检测算法，为后续酌量供给了新的思绪。

1、提出了新的少样本方向检测算法，立异点蕴涵Attention-RPN、众闭连检测器以及比较操练战术。

2、构修了包蕴1000类的少样本检测数据集FSOD，正在FSOD上操练取得的论文模子可能直接转移到新种别的检测中，不须要fine-tune。