用于弱监督目标检测的最小熵潜变量模型
计算机视觉与模式识别
2019-02-19 v1
摘要
弱监督目标检测在仅提供图像类别监督却同时要求学习目标位置与目标检测器时是一项挑战性任务。弱监督与学习目标之间的不一致给目标位置带来显著随机性，并给检测器带来歧义。本文提出一种用于弱监督目标检测的最小熵潜变量模型 (MELM)。最小熵既作为学习目标位置的模型，也作为度量学习过程中目标定位随机性的指标。其旨在从原理上降低所学实例的方差并缓解检测器的歧义。MELM 被分解为候选框团划分、目标团发现和目标定位三个部分。MELM 通过循环学习算法优化，该算法利用延拓优化解决具有挑战性的非凸问题。实验表明，相较于最先进的方法，MELM 显著提升了弱监督目标检测、弱监督目标定位与图像分类的性能。
引用
@article{arxiv.1902.06057,
title = {Min-Entropy Latent Model for Weakly Supervised Object Detection},
author = {Fang Wan and Pengxu Wei and Zhenjun Han and Jianbin Jiao and Qixiang Ye},
journal= {arXiv preprint arXiv:1902.06057},
year = {2019}
}
备注
Accepted by TPAMI