绝对错误更有效：通过负确定性信息提升弱监督目标检测
计算机视觉与模式识别
2023-05-18 v2
摘要
弱监督目标检测（WSOD）是一项具有挑战性的任务，其中使用图像级标签（例如整幅图像中实例的类别）来训练目标检测器。许多现有方法遵循标准的多示例学习（MIL）范式并取得了令人瞩目的性能。然而，确定性信息的缺乏导致了部分主导与实例遗漏。为解决这些问题，本文聚焦于识别并充分利用 WSOD 中的确定性信息。我们发现负实例（即绝对错误的实例）——在以往大多数研究中被忽略——通常包含有价值的确定性信息。基于该观察，我们在此提出一种基于负确定性信息（NDI）的 WSOD 改进方法，即 NDI-WSOD。具体而言，我们的方法包含两个阶段：NDI 收集与利用。在收集阶段，我们设计若干流程以在线识别并从负实例中提炼 NDI。在利用阶段，我们利用提取的 NDI 构建一种新颖的负对比学习机制与一种负引导实例选择策略，分别用于处理部分主导与实例遗漏问题。在包括 VOC 2007、VOC 2012 与 MS COCO 在内的若干公开基准上的实验结果表明，我们的方法取得了令人满意的性能。
引用
@article{arxiv.2204.10068,
title = {Absolute Wrong Makes Better: Boosting Weakly Supervised Object Detection via Negative Deterministic Information},
author = {Guanchun Wang and Xiangrong Zhang and Zelin Peng and Xu Tang and Huiyu Zhou and Licheng Jiao},
journal= {arXiv preprint arXiv:2204.10068},
year = {2023}
}
备注
7 pages, 5 figures, accepted by IJCAI 2022