发现与选择：迈向弱监督目标检测的最优多示例学习
计算机视觉与模式识别
2022-05-06 v2
摘要
弱监督目标检测 (WSOD) 是一项具有挑战性的任务，需要在图像类别标签的监督下同时学习目标分类器并估计目标位置。WSOD 的一个主要方法源于多示例学习，它将图像视为实例包，并从每个包中选择正实例来学习检测器。然而，当检测器倾向于收敛到目标的判别性部分而非整个目标时，出现了巨大的挑战。在本文中，在最优解包含在局部极小值中的假设下，我们提出了一种与多示例学习融合的发现与选择方法 (DS-MIL)，该方法寻找丰富的局部极小值并从多个局部极小值中选择最优解。为了实现 DS-MIL，提出了一个注意力模块，使得特征图能够捕获更多的上下文信息，并在训练期间收集更有价值的候选提议。结合候选提议，提出了一个选择模块来为目标检测器选择信息丰富的实例。在常用基准上的实验结果表明，我们提出的 DS-MIL 方法能够持续改进基线，并报告了 SOTA 性能。
引用
@article{arxiv.2110.09060,
title = {Discovery-and-Selection: Towards Optimal Multiple Instance Learning for Weakly Supervised Object Detection},
author = {Shiwei Zhang and Wei Ke and Lin Yang},
journal= {arXiv preprint arXiv:2110.09060},
year = {2022}
}