Gram-SLD：面向实例对象的自动自标注与检测
计算机视觉与模式识别
2021-12-08 v1
摘要
实例对象检测在智能监控、视觉导航、人机交互、智能服务等领域发挥着重要作用。受深度卷积神经网络（DCNN）巨大成功的启发，基于 DCNN 的实例对象检测已成为一个有前景的研究方向。为解决 DCNN 总是需要大规模标注数据集监督训练而人工标注费力耗时的问题，我们提出一种基于协同训练的新框架，称为 Gram 自标注与检测（Gram-SLD）。所提出的 Gram-SLD 能用极少量人工标注的关键数据自动标注大量数据，并取得有竞争力的性能。在我们的框架中，定义了 gram 损失并用于构建两个完全冗余且独立的视图，同时提出了综合考虑精确率与召回率的关键样本选择策略和自动标注策略以生成高质量伪标签。在公开 GMU Kitchen Dataset、Active Vision Dataset 和自制 BHID-ITEM Dataset 上的实验表明，仅使用 5% 标注训练数据，我们的 Gram-SLD 在对象检测中（mAP 损失小于 2%）取得了与全监督方法相竞争的性能。在复杂多变环境的实际应用中，所提方法可满足实例对象检测的实时性与准确性要求。
引用
@article{arxiv.2112.03641,
title = {Gram-SLD: Automatic Self-labeling and Detection for Instance Objects},
author = {Rui Wang and Chengtun Wu and Jiawen Xin and Liang Zhang},
journal= {arXiv preprint arXiv:2112.03641},
year = {2021}
}
备注
37 pages with 7 figures