SPSM基于弱监督分割的遮罩选择MATLAB代码

精选的关于弱监督时间动作本地化的出版物列表，帮助研究者在这一领域导航。此存储库仅包含接受的会议论文，以确保可靠性和更新性。最近更新日期为2021年5月3日。性能指标报告了在不同IoU阈值下的平均精确度（mAP），涵盖了THUMOS14和ActivityNet的不同版本。链接指向实现框架的规范。

Matlab分时代码经过修改，使得快速R-CNN能在无bbox注释的弱监督环境下运行。快速R-CNN是由Redmond的Microsoft Research的Ross Girshick开发的基于快速区域的卷积网络，用于对象检测。该框架训练速度显著优于传统的R-CNN和SPPnet，并且在PASCAL VOC数据集上表现出更高的mAP。

Matlab 代码实现了论文《用于半监督特征选择的简单策略》中提出的方法，该论文发表于《机器学习杂志》。 代码功能： semiIAMB.m：实现了 Semi-IAMB 算法，应用于 Markov Blanket 发现 IAMB (IAMB.m) 的切换过程，用于半监督场景中的假设检验。 semiMIM.m 和 semiJMI.m：实现了 Semi-MIM 和 Semi-JMI 算法，分别应用于特征选择方法 MIM (MIM.m) 和 JMI (JMI.m) 的切换过程，用于在半监督场景中对特征进行排名。 Tutorial_SemiSupervised_FS.m：教程，介绍如何在半监督学习环境

近年来，基于主动数据选择的半监督聚类技术成为数据挖掘和机器学习领域的研究热点。该技术通过利用少量标签数据，显著提高了聚类精度。然而，现有的半监督聚类算法在处理大规模数据时仍面临挑战。

使用Matlab编写的卷积滤波器用于WSOD（弱监督对象检测或定位），是一份详尽的文献综述。该综述整理了2015年之前关于无监督本地化和通用知识学习的相关文献，包括贝叶斯联合主题建模（ICCV 2013）、多重MIL训练（CVPR 2014）、潜在类别学习的弱监督对象定位（ECCV 2014）以及最小监督下对象定位的学习（ICML 2014）。此外，综述还介绍了具有凸聚类的弱监督对象检测（CVPR 2015）和2016年新兴的WSDDN监督不足深度检测网络（CVPR 2016），以及ProNet、渐进域自适应和WELDON等技术。

这段MATLAB代码基于分层分割进行协同显着性检测，适用于以下论文：[1] Z. Liu, W. Zou, L. Li, L. Shen 和 O. Le Meur，“基于分层分段的共显着性检测”，IEEE信号处理。Lett。，第一卷21号1，第88-92页，2014年1月。代码仅限非商业用途。如需使用，请引用论文[1]。此代码依赖于[2] P. Arbelaez, M. Maire, C. Fowlkes, J. Malik，“轮廓检测和分层图像分割”，IEEE模式分析和机器智能交易，第1卷33，不。5卷，第898-916页，2011年5月。源代码包含在“ lib”文件夹中，也可以从以下位置下

这篇论文介绍了一种具有渐进式域适应的弱监督对象定位方法，相关的Matlab代码已经准备就绪。论文题为“Weakly Supervised Object Localization with Progressive Domain Adaptation”，发表在2016年IEEE计算机视觉与模式识别会议（CVPR）上。如果您需要使用我们的代码和预训练模型，请引用以下信息：@inproceedings{Huang-CVPR-2016, author = {Dong, Li and Huang, Jia-Bin and Li, Yali and Wang, Shengjin and Yang, Ming

这个脚本演示了如何在图像中查找特定颜色的对象。如果您需要在图像中仅仅通过遮罩找到红色、绿色或蓝色对象，此代码能够胜任。已在MATLAB R2014a版本下测试过。

详细探讨了基于Markov随机场的图像分割算法原理，并提供了相应的matlab源代码。该算法通过MRF模型实现对图像的有效分割，适用于图像处理领域的各类应用场景。