CS-R-FCN：面向大规模目标检测的跨监督学习
计算机视觉与模式识别
2020-01-16 v2
摘要
通用目标检测是计算机视觉中最基础的问题之一，然而针对数千类的大规模目标检测提供所有边界框级标注十分困难。本文提出了一种用于大规模目标检测的崭新跨监督学习流程，称为 CS-R-FCN。首先，我们提出在全监督两阶段目标检测框架中利用图像级标注图像的数据流，从而实现结合边界框级标注数据与图像级标注数据的跨监督学习。其次，我们引入一种语义聚合策略，利用跨监督类别间的关系来减少特征学习过程中不合理的相互抑制效应。实验结果表明，与先前相关工作相比，所提出的 CS-R-FCN 大幅提升了 mAP。
引用
@article{arxiv.1905.12863,
title = {CS-R-FCN: Cross-supervised Learning for Large-Scale Object Detection},
author = {Ye Guo and Yali Li and Shengjin Wang},
journal= {arXiv preprint arXiv:1905.12863},
year = {2020}
}