一、背景        CAM的方法通常只定位了对象中最具判别性的部分（训练过程中缺乏详细的位置信息），后续一些先进的方法定位目标区域包括：利用多个特征映射；采用对抗性擦除；合并伪标签；设计替换架构；引入额外处理或者利用单独的网络或者伪标签生成器等    这篇论文专注

Weakly-SupervisedTemporalActionLocalizationwithMulti-ModalPlateauTransformers论文阅读Abstract1.Introduction2.RelatedWork3.TheProposedMethod3.1.PreliminaryandMotivation3.2.BaseModel3.3.Multi-ModalPlateauTransformers3.3.1Multi-Mo

目录论文详情摘要前言IncompleteSupervision（不完全监督）ActiveLearning（主动学习）Semi-SupervisedLearning（半监督学习）ClusterAssumption（集群假设）ManifoldAssumption（流形假设）InexactSupervision（不精确监督）InaccurateSupervision（不准确监督）总结论文详情论文标

标题：利用文本信息增强弱监督时间动作定位源文链接：https://openaccess.thecvf.com/content/CVPR2023/papers/Li_Boosting_Weakly-Supervised_Temporal_Action_Localization_With_Text_Information_CVPR_2023_paper.pdfhttps://openaccess.thecvf.com/content/CVPR2023/papers/

HybridCR：weakly-supervised3Dpointcloudsemanticsegmentationviahybridcontrastiveregularization基于混合对比学习正则化约束的增强方法，Li等人（2022a）使用极少标注（0.03%）在室内点云数据集上获得的分割精度为全监督方法的78.3%。是第一个利用点一致性并以端到端方式采用

0.前言相关资料：arxivgithub论文解读论文基本信息：领域：弱监督时序动作定位发表时间：CVPR2022(2022.3.14)1.针对的问题许多现有的方法试图生成伪标签来弥补分类和定位之间的差异，但通常只使用有限的上下文信息，即每个片段内的信息，来生成伪标签。2.主

0.前言相关资料：papergithub论文解读论文基本信息：领域：弱监督时序动作定位发表时间：Arxiv2023(2023.3.22)1.针对的问题伪标签生成是解决具有挑战性问题的一种很有前途的策略，但现有的大多数方法都局限于使用片段级分类结果来指导生成，而忽略了视频的

 3.方法我们提出了一种图片级别监督的实例分割技术，使用类别极值响应。在全卷积之后的卷积神经网络分类器可以生成类别响应图CRM，在每一个像素点进行概率的分类判断。由

1.介绍非侵入式的显微镜（共焦距）细胞技术广泛的用于细胞计数和形状分析，不需要对切片进行上色。对单独细胞的分割任务是细胞图像分析中的重要一环。然而，细胞的分割及其困难，

1.pretitle:Few-shotFontGenerationwithWeaklySupervisedLocalizedRepresentationsaccepted:TPAMI2022(extensionofFew-shotFontGenerationwithLocali

1.针对的问题现有的方法主要遵循于通过优化视频级分类目标来实现定位的方式，这些方法大多忽略了视频之间丰富的时序对比关系，因此在分类学习和分类-定位自适应的过程中