野外检测器发现：联合多实例与表示学习
计算机视觉与模式识别
2017-11-10 v1
摘要
我们开发了检测器学习方法，该方法利用弱标签和强标签的联合训练，并从强标记的辅助任务中迁移学习到的感知表示。先前的弱标签学习方法通常使用潜在变量优化独立学习检测器模型，但未能跨类别共享深度表示知识，并且通常需要强初始化。其他先前的方法从具有强标签的领域迁移深度表示到只有弱标签的领域，但不优化单个潜在框，因此可能错过特定类别的特定显著结构。我们提出了一个模型，它包含了这些先前的方法，并同时训练表示和检测器，用于具有弱标签或强标签的类别。我们提供了一种联合多实例学习方法的新颖公式，该方法在可用时包含来自分类风格数据的示例，并且还执行领域迁移学习以改进底层检测器表示。我们的模型在具有弱标签的ImageNet-200检测上优于已知方法。
引用
@article{arxiv.1412.1135,
title = {Detector Discovery in the Wild: Joint Multiple Instance and Representation Learning},
author = {Judy Hoffman and Deepak Pathak and Trevor Darrell and Kate Saenko},
journal= {arXiv preprint arXiv:1412.1135},
year = {2017}
}