Co-mining：用于稀疏标注目标检测的自监督学习
计算机视觉与模式识别
2021-10-15 v2
摘要
目标检测器通常在完整实例标注的监督下取得令人满意的结果。然而，在稀疏实例标注下其性能远不能令人满意。现有大多数用于稀疏标注目标检测的方法要么对难负样本的 loss 进行重加权，要么将未标注实例转换为忽略区域以减少假负的干扰。我们认为这些策略是不够的，因为它们至多只能缓解缺失标注带来的负面影响。在本文中，我们提出了一种简单而有效的机制，称为 Co-mining，用于稀疏标注目标检测。在我们的 Co-mining 中，孪生网络的两个分支相互预测伪标签集。为了增强多视角学习并更好地挖掘未标注实例，将原始图像与相应的增强图像分别用作孪生网络两个分支的输入。Co-mining 可作为一种通用训练机制应用于大多数现代目标检测器。我们在 MS COCO 数据集上采用两种典型框架：基于锚的检测器 RetinaNet 和无锚检测器 FCOS，在三种不同的稀疏标注设置下进行了实验。实验结果表明，我们的 Co-mining 配合 RetinaNet 相比不同基线取得 1.4%~2.1% 的提升，并在相同稀疏标注设置下超越现有方法。代码见 https://github.com/megvii-research/Co-mining。
引用
@article{arxiv.2012.01950,
title = {Co-mining: Self-Supervised Learning for Sparsely Annotated Object Detection},
author = {Tiancai Wang and Tong Yang and Jiale Cao and Xiangyu Zhang},
journal= {arXiv preprint arXiv:2012.01950},
year = {2021}
}
备注
Accepted to AAAI 2021. Code is available at https://github.com/megvii-research/Co-mining