通过渐进式知识迁移提升弱监督目标检测
计算机视觉与模式识别
2020-07-17 v1 机器学习
摘要
本文中，我们提出一种有效的知识迁移框架，借助外部全标注源数据集来提升弱监督目标检测精度，该源数据集的类别可能与目标域不重叠。由于存在许多现成的检测数据集，这一设定具有重要的实用价值。为更有效地利用源数据集，我们提出通过单类通用检测器迭代地从源域迁移知识，并学习目标域检测器。目标域检测器在每次迭代中挖掘的边界框级伪真值有效改进了单类通用检测器。因此，源数据集中的知识得到了更充分的挖掘与利用。我们以 Pascal VOC 2007 作为目标弱标注数据集、COCO/ImageNet 作为源全标注数据集进行了大量实验。采用所提方案，我们在 VOC 测试集上取得了 的 mAP 检测性能，并在使用挖掘的伪真值重新训练全监督 Faster RCNN 后达到 的 mAP。这显著优于相关文献中任何已知结果，并确立了知识迁移设定下弱监督目标检测的新 SOTA。代码：\url{https://github.com/mikuhatsune/wsod_transfer}。
引用
@article{arxiv.2007.07986,
title = {Boosting Weakly Supervised Object Detection with Progressive Knowledge Transfer},
author = {Yuanyi Zhong and Jianfeng Wang and Jian Peng and Lei Zhang},
journal= {arXiv preprint arXiv:2007.07986},
year = {2020}
}
备注
ECCV 2020. Code: https://github.com/mikuhatsune/wsod_transfer