用于弱监督目标检测的级联注意力丢弃
计算机视觉与模式识别
2020-11-23 v1 机器学习
图像与视频处理
摘要
弱监督目标检测（WSOD）旨在仅利用图像级标注对目标进行分类与定位。许多 WSOD 方法采用多示例学习作为初始模型，该模型容易收敛到最具判别力的目标局部区域而忽略整个目标，从而降低模型的检测性能。本文提出一种新颖的级联注意力丢弃策略以缓解局部主导问题，并辅以一种改进的全局上下文模块。我们有意在通道和空间维度上丢弃注意力元素，并捕获像素间与通道间的依赖关系，以引导模型更好地理解全局上下文。在具有挑战性的 PASCAL VOC 2007 基准上进行了大量实验，取得了 49.8% mAP 和 66.0% CorLoc，优于当前最优方法。
引用
@article{arxiv.2011.10258,
title = {Cascade Attentive Dropout for Weakly Supervised Object Detection},
author = {Wenlong Gao and Ying Chen and Yong Peng},
journal= {arXiv preprint arXiv:2011.10258},
year = {2020}
}