面向弱监督目标定位的深度自教学习
计算机视觉与模式识别
2017-05-02 v2
摘要
大多数现有的弱监督定位（WSL）方法通过基于图像级监督学习到的特征来寻找正边界框以训练检测器。然而，那些特征不包含空间位置相关信息，通常提供低质量正样本用于训练检测器。为克服该问题，我们提出一种深度自教学习方法，使检测器学习可用于获取紧密正样本的可靠目标级特征，并随后基于这些特征重新训练自身。因此，检测器逐步提升其检测能力并定位信息更丰富的正样本。为实现此种自教学习，我们提出一种通过图像到目标迁移和稠密子图发现来获取种子样本的方法，以寻找可靠正样本用于初始化检测器。进一步提出一种在线支持样本收集方案，动态选择最置信的紧密正样本并以互增强方式训练检测器。为防止检测器因过拟合陷入不良最优解，我们提出一种新的预测 CNN 分数相对提升来引导自教学习过程。在 PASCAL 2007 和 2012 上的大量实验表明，我们的方法优于当前最优方法，有力验证了其有效性。
引用
@article{arxiv.1704.05188,
title = {Deep Self-Taught Learning for Weakly Supervised Object Localization},
author = {Zequn Jie and Yunchao Wei and Xiaojie Jin and Jiashi Feng and Wei Liu},
journal= {arXiv preprint arXiv:1704.05188},
year = {2017}
}
备注
Accepted as spotlight paper by CVPR 2017