基于点击监督学习目标尺度以实现目标检测
计算机视觉与模式识别
2020-02-21 v1
摘要
弱监督目标检测近来因仅需图像级标注而受到越来越多的关注。然而，与全监督目标检测方法相比，现有方法取得的性能仍远不能令人满意。为在标注成本与目标检测性能之间取得良好折衷，我们提出一种简单而有效的方法，将 CNN 可视化与点击监督结合以生成伪真值（即边界框）。这些伪真值可用于训练全监督检测器。为估计目标尺度，我们首先采用候选框选择算法保留高质量候选框，然后通过所提出的称为空间注意力 CAM 的 CNN 可视化算法为这些保留的候选框生成类激活图（CAMs）。最后，我们将这些 CAMs 融合在一起生成伪真值，并用这些真值训练全监督目标检测器。在 PASCAL VOC 2007 和 VOC 2012 数据集上的实验结果表明，与最先进的基于图像级的方法和基于中心点击的方法相比，所提方法能获得高得多的目标尺度估计精度。
引用
@article{arxiv.2002.08555,
title = {Learning Object Scale With Click Supervision for Object Detection},
author = {Liao Zhang and Yan Yan and Lin Cheng and Hanzi Wang},
journal= {arXiv preprint arXiv:2002.08555},
year = {2020}
}