通过自适应分割与协同监督增强改进类激活图
计算机视觉与模式识别
2021-01-14 v5
摘要
弱监督目标定位（WSOL）方法仅从图像类别标签中学习，同时生成分类与定位结果。先前方法通常利用类激活图（CAM）获取目标物体区域。然而，其中多数仅关注改善CAM中的前景物体部分，却忽略了其背景内容的重要影响。本文中，我们提出置信度分割（ConfSeg）模块，在不引入额外超参数的情况下为CAM中每个像素构建置信度分数。所生成的样本专属置信度掩码能够指示CAM中每个像素的判定程度，并进一步监督由内部特征图扩展出的附加CAM。此外，我们引入协同监督增强（CoAug）模块，分别捕获CAM中前景与背景部分的特征级表征。随后在批次样本层级施加度量损失以增强模型的区分能力，这对定位更多相关物体部分大有裨益。我们的最终模型CSoA结合了这两个模块并取得了优越性能，例如在CUB-200与ILSVRC数据集上分别达到37.69%与48.81%的Top-1定位错误率，优于所有先前方法并成为新的最先进水平。
引用
@article{arxiv.1911.07160,
title = {Improve CAM with Auto-adapted Segmentation and Co-supervised Augmentation},
author = {Ziyi Kou and Guofeng Cui and Shaojie Wang and Wentian Zhao and Chenliang Xu},
journal= {arXiv preprint arXiv:1911.07160},
year = {2021}
}
备注
Accepted by WACV2021. Equal contribution for the first two authors