从少样本到多样本：利用混合监督学习进行目标检测标注
计算机视觉与模式识别
2020-08-27 v2 图像与视频处理
摘要
目标检测在依赖大型人工标注数据集方面取得了显著进展。标注此类数据集极为耗时且昂贵，这促使了弱监督和少样本目标检测方法的发展。然而，这些方法在性能上大幅落后于其强监督对应方法，因为弱训练信号常常导致部分或过大检测。为解决此问题，我们首次引入在线标注模块（OAM），其学习从更大规模的弱标注图像中生成多样本可靠标注集合。我们的OAM可与任何全监督两阶段目标检测方法联合训练，动态提供额外训练标注。这形成了一种完全端到端策略，仅需少样本全标注图像集。OAM与Fast(er) R-CNN的集成在PASCAL VOC 2007和MS-COCO基准上将其性能提升17% mAP、9% AP50，并显著优于使用混合监督的竞品方法。
引用
@article{arxiv.2008.09694,
title = {Many-shot from Low-shot: Learning to Annotate using Mixed Supervision for Object Detection},
author = {Carlo Biffi and Steven McDonagh and Philip Torr and Ales Leonardis and Sarah Parisot},
journal= {arXiv preprint arXiv:2008.09694},
year = {2020}
}
备注
Accepted at ECCV 2020. Camera-ready version and Appendices