利用对抗擦除与伪标签改进弱监督目标定位
计算机视觉与模式识别
2024-04-16 v1 人工智能
摘要
弱监督学习方法因能够减少训练神经网络所需的人工标注工作量而受到广泛关注。本文研究了一个弱监督目标定位框架，该框架旨在训练一个神经网络，仅使用图像及其图像级类别标签就能预测目标类别及其位置。所提出的框架由一个共享特征提取器、一个分类器和一个定位器组成。定位器预测像素级类别概率，而分类器在图像级预测目标类别。由于图像级类别标签不足以训练定位器，弱监督目标定位方法在准确定位整个目标区域时常常面临挑战。为了解决这个问题，所提出的方法结合了对抗擦除和伪标签来提高定位精度。具体而言，设计了新颖的损失函数来利用对抗擦除的前景特征和对抗擦除的特征图，减少对最具判别力区域的依赖。此外，所提出的方法采用伪标签来抑制背景中的激活值，同时增加前景中的激活值。所提出的方法应用于两个骨干网络（MobileNetV1 和 InceptionV3），并在三个公开可用的数据集（ILSVRC-2012、CUB-200-2011 和 PASCAL VOC 2012）上进行评估。实验结果表明，所提出的方法在所有评估指标上均优于以前的最先进方法。
引用
@article{arxiv.2404.09475,
title = {Improving Weakly-Supervised Object Localization Using Adversarial Erasing and Pseudo Label},
author = {Byeongkeun Kang and Sinhae Cha and Yeejin Lee},
journal= {arXiv preprint arXiv:2404.09475},
year = {2024}
}
备注
15 pages