基于鲁棒对象性迁移的混合监督目标检测
计算机视觉与模式识别
2019-09-27 v3
摘要
本文中，我们考虑利用已有全标注类别来改进新目标类别的弱监督检测（WSD）的问题，我们称之为混合监督检测（MSD）。与以往直接将已有类别上预训练的目标检测器迁移到新类别的 MSD 方法不同，我们提出了一种更合理且鲁棒的对象性迁移方法用于 MSD。在我们的框架中，我们首先从已有全标注类别学习域不变的对象性知识。该知识基于对已有类别与新类别之间分布差异具有鲁棒性的不变特征进行建模；因此所得知识能很好地泛化到新类别，并可辅助检测模型在弱标注的新类别图像中拒绝干扰项（如目标部件）。在所学对象性知识的引导下，我们利用多示例学习（MIL）对目标与干扰项的概念进行建模，并进一步提高在弱标注图像中拒绝干扰项的能力。我们的鲁棒对象性迁移方法优于现有 MSD 方法，并在具挑战性的 ILSVRC2013 检测数据集与 PASCAL VOC 数据集上取得了当前最优结果。
引用
@article{arxiv.1802.09778,
title = {Mixed Supervised Object Detection with Robust Objectness Transfer},
author = {Yan Li and Junge Zhang and Kaiqi Huang and Jianguo Zhang},
journal= {arXiv preprint arXiv:1802.09778},
year = {2019}
}
备注
IEEE Transactions on Pattern Analysis and Machine Intelligence (2019). Together with Supplementary Materials. Note: The author list in Google Scholar is INCORRECT. The right author list is 1) Yan Li, 2) Junge Zhang, 3) Kaiqi Huang and 4) Jianguo Zhang. The official published version can be found in https://ieeexplore.ieee.org/abstract/document/8304628