基于共现矩阵分析的半监督训练用于目标检测
计算机视觉与模式识别
2018-02-21 v1
摘要
在使用卷积神经网络（CNNs）训练目标识别网络时，最重要的因素之一是为数据提供伴随人工判断的标注。特别是在目标检测或语义分割中，标注过程需要大量人力。本文提出一种基于半监督学习（SSL）的目标检测训练方法，其利用先前从标注数据集训练出的网络对未标注数据自动打标。由于训练网络推断出的标签依赖于所学参数，它对于网络重训练往往无意义。为将有价值的推断标签迁移至未标注数据，我们提出一种基于共现矩阵分析的重对齐方法，该方法考虑估计标签的 one-hot-vector 编码及图像中物体间的相关性。我们使用 MS-COCO 检测数据集验证所提 SSL 方法的性能，并采用可变形神经网络（D-ConvNets）作为基础训练的目标检测器。现有最先进检测器（DConvNets、YOLO v2 及单发多框检测器（SSD））的性能均可通过所提 SSL 方法得以提升，且无需使用额外模型参数或修改网络架构。
引用
@article{arxiv.1802.06964,
title = {Co-occurrence matrix analysis-based semi-supervised training for object detection},
author = {Min-Kook Choi and Jaehyeong Park and Jihun Jung and Heechul Jung and Jin-Hee Lee and Woong Jae Won and Woo Young Jung and Jincheol Kim and Soon Kwon},
journal= {arXiv preprint arXiv:1802.06964},
year = {2018}
}
备注
Submitted to International Conference on Image Processing (ICIP) 2018