C-MIL：用于弱监督目标检测的连续多重实例学习
计算机视觉与模式识别
2019-04-12 v1
摘要
弱监督目标检测（WSOD）是一项具有挑战性的任务，在仅提供图像类别监督的情况下，需要同时学习目标位置和目标检测器。许多 WSOD 方法采用多重实例学习（MIL），其非凸损失函数容易陷入局部极小值（错误地将目标部件定位为目标）而在训练过程中遗漏完整目标范围。本文中，我们将一种连续优化方法引入 MIL，从而提出连续多重实例学习（C-MIL），旨在系统地缓解非凸性问题。我们将实例划分为空间相关和类别相关的子集，并用在这些子集内定义的一系列平滑损失函数来逼近原始损失函数。优化平滑损失函数可防止训练过程过早陷入局部极小值，并有助于发现指示完整目标范围的稳定语义极值区域（SSERs）。在 PASCAL VOC 2007 和 2012 数据集上，C-MIL 以较大优势提升了弱监督目标检测和弱监督目标定位的现有最优水平。
引用
@article{arxiv.1904.05647,
title = {C-MIL: Continuation Multiple Instance Learning for Weakly Supervised Object Detection},
author = {Fang Wan and Chang Liu and Wei Ke and Xiangyang Ji and Jianbin Jiao and Qixiang Ye},
journal= {arXiv preprint arXiv:1904.05647},
year = {2019}
}
备注
Accept by CVPR2019