利用选择性自监督自训练改进目标检测
计算机视觉与模式识别
2020-07-28 v2
摘要
我们研究如何利用网络图像来增强人工筛选的目标检测数据集。我们的方法有两方面。一方面，我们通过图到图检索获取网络图像，这比其他检索方法从筛选数据产生的域偏移更小。网络图像具有多样性，提供了丰富的目标姿态、外观及其与上下文的交互等。另一方面，我们提出一种受两条并行工作线启发的新学习方法，这些工作探索用于图像分类的未标记数据：自训练与自监督学习。由于网络图像与筛选数据集之间的域差距，它们在原始形式下均未能改进目标检测器。为应对此挑战，我们提出一个选择性网络来纠正网络图像中的监督信号。它不仅识别正边界框，还创建一个用于挖掘困难负样本框的安全区。我们在日常场景中检测背包和椅子以及其他具有挑战性的目标类别上报告了最先进的结果。
引用
@article{arxiv.2007.09162,
title = {Improving Object Detection with Selective Self-supervised Self-training},
author = {Yandong Li and Di Huang and Danfeng Qin and Liqiang Wang and Boqing Gong},
journal= {arXiv preprint arXiv:2007.09162},
year = {2020}
}
备注
Accepted to ECCV 2020