LoANs：基于定位器-评估器网络的弱监督目标检测
计算机视觉与模式识别
2018-11-16 v2
摘要
近来，深度神经网络在目标检测与识别任务上取得了卓越性能。这一成功的主要原因在于大规模全标注数据集的可获得性，但创建此类数据集是一项复杂且昂贵的任务。本文提出一种用于弱监督目标检测的新方法，简化了为目标检测器收集训练数据的过程。我们训练一个以师生方式协同工作的双模型集成。我们的学生（定位器）是学习定位物体的模型，教师（评估器）评估定位质量并向学生提供反馈。学生利用该反馈学习如何定位物体，因此完全由教师监督，因为我们未使用任何标签训练定位器。在实验中，我们表明我们的模型对噪声非常鲁棒，并达到了与最先进的 fully supervised 方法相竞争的性能。我们还展示了基于少量视频（如从 YouTube 下载）与人工生成数据创建新数据集的简便性。
引用
@article{arxiv.1811.05773,
title = {LoANs: Weakly Supervised Object Detection with Localizer Assessor Networks},
author = {Christian Bartz and Haojin Yang and Joseph Bethge and Christoph Meinel},
journal= {arXiv preprint arXiv:1811.05773},
year = {2018}
}
备注
To appear in AMV18. Code, datasets and models available at https://github.com/Bartzi/loans