HUWSOD：统一弱监督目标检测的整体自训练
计算机视觉与模式识别
2024-06-28 v1
摘要
大多数弱监督目标检测 (WSOD) 方法依赖传统目标提案生成候选区域，面临训练不稳定问题，容易陷入差良性局部最优解。本文提出一种统一、高容量的弱监督目标检测网络 HUWSOD，利用全面的自训练框架无需外部模块或额外监督。HUWSOD 创新性地将自监督提案生成器和自编码器提案生成器与多速率重抽样金字塔相结合，以取代传统目标提案，实现端到端 WSOD 训练和推理。此外，我们实施了整体自训练方案，通过逐步熵值最小化和一致性约束正则化来细化检测得分和坐标，确保相同图像的随机数据增强结果一致。广泛的实验表明，HUWSOD 在 PASCAL VOC 和 MS COCO 上与最先进的 WSOD 方法相抗衡，无需离线提案和额外数据。HUWSOD 的最佳性能接近完全监督的 Faster R-CNN。我们的发现还表明，随机初始化的边界框尽管与经过精心设计的离线目标提案截然不同，对于 WSOD 训练仍然有效。
引用
@article{arxiv.2406.19394,
title = {HUWSOD: Holistic Self-training for Unified Weakly Supervised Object Detection},
author = {Liujuan Cao and Jianghang Lin and Zebo Hong and Yunhang Shen and Shaohui Lin and Chao Chen and Rongrong Ji},
journal= {arXiv preprint arXiv:2406.19394},
year = {2024}
}