面向弱监督目标检测的循环自举标注方法
计算机视觉与模式识别
2023-08-14 v1
摘要
近期弱监督目标检测的进展以多示例检测网络（MIDN）与序数在线细化的结合为特点。然而，在仅有图像级标注的情况下，MIDN在生成伪标签时不可避免地会给某些非预期区域提议赋予高分。这些不准确的高分区域提议会误导后续细化模块的训练，从而阻碍检测性能。本工作中，我们探究如何改善MIDN中伪标注的质量。形式上，我们设计了循环自举标注（CBL），一种新颖的弱监督目标检测流程，其利用来自可靠教师网络的排序信息优化MIDN。具体而言，我们通过引入加权指数移动平均策略以利用各类细化模块来获得该教师网络。提出一种新颖的类别特定排序蒸馏算法，以利用加权集成教师网络的输出通过排序信息蒸馏MIDN。结果，MIDN被引导在其邻近提议中将更高分数赋予准确提议，从而有益于后续伪标注。在常用PASCAL VOC 2007 & 2012与COCO数据集上的大量实验证明了我们CBL框架的优越性能。代码将发布于 https://github.com/Yinyf0804/WSOD-CBL/。
引用
@article{arxiv.2308.05991,
title = {Cyclic-Bootstrap Labeling for Weakly Supervised Object Detection},
author = {Yufei Yin and Jiajun Deng and Wengang Zhou and Li Li and Houqiang Li},
journal= {arXiv preprint arXiv:2308.05991},
year = {2023}
}
备注
Accepted by ICCV 2023