用于基于点标注的弱半监督目标检测的 Group R-CNN
计算机视觉与模式识别
2022-05-13 v1
摘要
我们研究基于点标注的弱半监督目标检测（WSSOD-P）问题，其训练数据由一小部分带有边界框的全标注图像和一大份每实例仅标注单个点的弱标注图像组合而成。该任务的核心是在良标注图像上训练一个点到框的回归器，用于为每个点标注预测可信的边界框。我们挑战了现有基于 CNN 的检测器与该任务不兼容的固有认知。基于经典 R-CNN 架构，我们提出了一种有效的点到框回归器：Group R-CNN。Group R-CNN 首先使用实例级候选框分组为每个点标注生成一组候选框，从而获得高召回率。为了更好地区分不同实例并提升精度，我们提出实例级候选框分配以替换原始 R-CNN 方法中所采用的朴素分配策略。由于朴素的实例级分配会带来收敛困难，我们提出实例感知表征学习，其由实例感知特征增强与实例感知参数生成组成，以克服该问题。在 MS-COCO 基准上的综合实验证明了我们方法的有效性。具体而言，在仅 5% 良标注图像这一最具挑战性的设定下，Group R-CNN 以 3.9 mAP 显著优于先前方法 Point DETR。源代码见 https://github.com/jshilong/GroupRCNN
引用
@article{arxiv.2205.05920,
title = {Group R-CNN for Weakly Semi-supervised Object Detection with Points},
author = {Shilong Zhang and Zhuoran Yu and Liyang Liu and Xinjiang Wang and Aojun Zhou and Kai Chen},
journal= {arXiv preprint arXiv:2205.05920},
year = {2022}
}
备注
Accepted to CVPR2022. Code has been released at https://github.com/jshilong/GroupRCNN