BAOD：预算感知目标检测
计算机视觉与模式识别
2021-08-10 v2
摘要
我们从一个新颖的视角研究目标检测问题，其中考虑了标注预算约束，恰当地称之为预算感知目标检测(BAOD)。在给定固定预算时，我们提出一种构建多样且信息丰富的数据集的策略，可用于最优地训练一个鲁棒的检测器。我们研究基于优化与基于学习的方法，以采样应标注哪些图像以及用何种类型的标注（强监督或弱监督）来标注它们。我们采用混合监督学习框架，从这两类标注中训练目标检测器。我们开展了全面的实证研究，表明手工设计的优化方法优于其他选择技术，包括随机采样、不确定性采样与主动学习。通过将最优图像/标注选择方案与混合监督学习相结合以解决BAOD问题，我们表明可在PASCAL-VOC 2007上达到强监督检测器的性能，同时节省其原始标注预算的12.8%。此外，当使用100%预算时，其以2.0 mAP百分点超越该性能。
引用
@article{arxiv.1904.05443,
title = {BAOD: Budget-Aware Object Detection},
author = {Alejandro Pardo and Mengmeng Xu and Ali Thabet and Pablo Arbelaez and Bernard Ghanem},
journal= {arXiv preprint arXiv:1904.05443},
year = {2021}
}