用于类不可知弱监督目标定位的约束采样
计算机视觉与模式识别
2022-09-20 v1
摘要
自监督视觉Transformer能够生成图像中目标的精确定位图。然而，由于它们将场景分解为包含多个不同目标的多个映射，且不依赖任何显式监督信号，因此无法如弱监督目标定位(WSOL)所要求的那样区分感兴趣目标与其它目标。为解决此问题，我们提出利用不同Transformer头生成的多个映射来获取伪标签以训练WSOL模型。具体而言，引入了一种新的判别性候选区域采样方法，其依赖于预训练的CNN分类器来识别判别性区域。然后，从这些区域中采样前景与背景像素，以训练WSOL模型生成能够准确定位属于特定类别目标的激活图。在具有挑战性的CUB基准数据集上的实证结果表明，在广泛的阈值范围内，我们提出的方法优于最先进的方法。我们的方法提供的类激活图相对于背景具有对前景目标区域更好的覆盖。
引用
@article{arxiv.2209.09195,
title = {Constrained Sampling for Class-Agnostic Weakly Supervised Object Localization},
author = {Shakeeb Murtaza and Soufiane Belharbi and Marco Pedersoli and Aydin Sarraf and Eric Granger},
journal= {arXiv preprint arXiv:2209.09195},
year = {2022}
}
备注
3 pages, 2 figures