用于弱监督目标检测的多示例课程学习
计算机视觉与模式识别
2017-11-28 v1
摘要
当使用弱标注数据监督目标检测器时，由于缺乏对完整物体范围的监督，现有多数方法易陷入判别性物体局部（例如找到猫的脸而非完整身体）。为应对该挑战，我们将物体分割引入检测器训练，以引导模型正确定位完整物体。我们提出多示例课程学习（MICL）方法，将课程学习（CL）注入多示例学习（MIL）框架。MICL 方法首先自动挑选简单训练样本，即分割掩码范围与检测边界框一致者。训练集逐步扩展至包含更难样本，以训练可处理复杂图像的强检测器。所提出的带分割闭环的 MICL 方法在 PASCAL VOC 数据集上大幅优于最先进的弱监督目标检测器。
引用
@article{arxiv.1711.09191,
title = {Multiple Instance Curriculum Learning for Weakly Supervised Object Detection},
author = {Siyang Li and Xiangxin Zhu and Qin Huang and Hao Xu and C. -C. Jay Kuo},
journal= {arXiv preprint arXiv:1711.09191},
year = {2017}
}
备注
Published in BMVC 2017