CaT:基于类别迁移的弱监督目标检测
计算机视觉与模式识别
2021-08-18 v1
摘要
全监督目标检测与弱监督目标检测之间存在较大差距。为缩小该差距,一些方法考虑从额外的全监督数据集中进行知识迁移。但这些方法未充分利用全监督数据集中具有判别性的类别信息,导致 mAP 较低。为解决此问题,我们提出了一种新颖的弱监督目标检测类别迁移框架。其直觉是充分利用全监督数据集中视觉判别且语义相关的类别信息,以增强弱监督检测器的目标分类能力。针对重叠类别迁移,我们提出双监督均值教师来汇聚公共类别信息并弥合两数据集间的域差距。针对非重叠类别迁移,我们提出语义图卷积网络来促进相关类别间语义特征的聚合。实验以 Pascal VOC 2007 作为目标弱监督数据集、COCO 作为源全监督数据集进行。我们的类别迁移框架在两类数据集间有 5 个重叠类别时达到 63.5% mAP 与 80.3% CorLoc,优于当前最优方法。代码见 https://github.com/MediaBrain-SJTU/CaT。
引用
@article{arxiv.2108.07487,
title = {CaT: Weakly Supervised Object Detection with Category Transfer},
author = {Tianyue Cao and Lianyu Du and Xiaoyun Zhang and Siheng Chen and Ya Zhang and Yan-Feng Wang},
journal= {arXiv preprint arXiv:2108.07487},
year = {2021}
}