用于弱监督目标定位的层次互补学习
计算机视觉与模式识别
2020-11-24 v1
摘要
弱监督目标定位（WSOL）是一个具有挑战性的问题，旨在仅利用图像级标签定位目标。由于缺乏真实边界框，类标签主要用于训练模型。该模型生成类激活图（CAM），激活最具判别性的特征。然而，CAM的主要缺陷是只能检测目标的一部分。为解决此问题，一些研究者移除了检测到的目标的部分\cite{b1, b2, b4}或图像\cite{b3}中的部分。从图像或检测到的目标部分中移除部分的目的是迫使模型检测其他特征。然而，这些方法需要一个或多个超参数来擦除图像上适当的像素，可能导致信息丢失。相比之下，本文提出一种层次互补学习网络方法（HCLNet），帮助CNN在图像上实现更好的目标分类与定位。HCLNet使用互补图迫使网络检测目标的其他部分。与以往工作不同，该方法无需任何额外超参数来生成不同的CAM，也不会引入大量信息丢失。为融合这些不同的图，采用了两种已知的融合策略，即加法策略和l1范数策略。这些策略能够在排除背景的同时检测整个目标。大量实验表明，HCLNet取得了优于当前最优方法的性能。
引用
@article{arxiv.2011.08014,
title = {Hierarchical Complementary Learning for Weakly Supervised Object Localization},
author = {Sabrina Narimene Benassou and Wuzhen Shi and Feng Jiang and Abdallah Benzine},
journal= {arXiv preprint arXiv:2011.08014},
year = {2020}
}