D2DF2WOD：通过渐进式域自适应为弱监督目标检测学习目标提议
计算机视觉与模式识别
2022-12-05 v1
摘要
弱监督目标检测（WSOD）模型试图利用图像级标注来替代准确但获取成本高的目标定位标签。这往往导致推理时目标检测与定位不佳。为应对此问题，我们提出D2DF2WOD，一种双域全监督到弱监督目标检测框架，它利用带有精确目标定位标注的合成数据来补充仅提供图像级标签的自然图像目标域。在其预热域自适应阶段，模型学习一个全监督目标检测器（FSOD）以提高目标域中目标提议的精度，同时学习目标域特定且检测感知的提议特征。在其主要WSOD阶段，一个WSOD模型被专门调整到目标域。WSOD模型的特征提取器和目标提议生成器构建于微调后的FSOD模型之上。我们在五个双域图像基准上测试D2DF2WOD。结果表明，与最先进方法相比，我们的方法持续改善了目标检测与定位。
引用
@article{arxiv.2212.01376,
title = {D2DF2WOD: Learning Object Proposals for Weakly-Supervised Object Detection via Progressive Domain Adaptation},
author = {Yuting Wang and Ricardo Guerrero and Vladimir Pavlovic},
journal= {arXiv preprint arXiv:2212.01376},
year = {2022}
}
备注
published in WACV 2023