弱监督目标检测的主动学习策略
计算机视觉与模式识别
2022-07-26 v1
摘要
使用弱标注训练的目标检测器是 Fully-supervised（全监督）检测器的经济替代方案。然而，二者之间仍存在显著的性能差距。我们提出通过少量全标注样本对预训练的弱监督基础检测器进行微调，以缩小这一差距；这些样本使用一种新颖的主动学习策略“box-in-box”（BiB）从训练集中自动筛选，该策略专为解决文献中已充分记录的弱监督检测器失效模式而设计。在 VOC07 和 COCO 基准上的实验表明，BiB 优于其他主动学习技术，并且仅使用每类少量全标注图像即可显著提升基础弱监督检测器的性能。在 VOC07 上，BiB 仅使用 10% 的全标注图像便达到了全监督 Fast RCNN 97% 的性能。在 COCO 上，平均使用每类 10 张全标注图像（相当于训练集的 1%），BiB 还将弱监督检测器与全监督 Fast RCNN 之间的性能差距（以 AP 计）缩小了超过 70%，展现出性能与数据效率之间的良好权衡。我们的代码已公开于 https://github.com/huyvvo/BiB。
引用
@article{arxiv.2207.12112,
title = {Active Learning Strategies for Weakly-supervised Object Detection},
author = {Huy V. Vo and Oriane Siméoni and Spyros Gidaris and Andrei Bursuc and Patrick Pérez and Jean Ponce},
journal= {arXiv preprint arXiv:2207.12112},
year = {2022}
}
备注
Accepted to European Conference on Computer Vision (ECCV) 2022. Contains 27 pages, 9 tables and 6 figures