具有在线实例分类器精修的多实例检测网络
计算机视觉与模式识别
2017-04-04 v1
摘要
近来，弱监督目标检测在目标识别中具有重要意义。基于深度学习，弱监督检测器取得了许多有希望的结果。然而，与全监督检测相比，以弱监督方式训练基于深度网络的检测器更具挑战性。在此，我们将弱监督检测形式化为一个多实例学习（MIL）问题，其中实例分类器（目标检测器）作为隐藏节点被放入网络中。我们提出了一种新颖的在线实例分类器精修算法，将 MIL 和实例分类器精修过程集成到单个深度网络中，并仅使用图像级监督（即没有目标位置信息）端到端地训练该网络。更准确地说，从弱监督推断出的实例标签被传播到其空间重叠的实例，以在线精修实例分类器。迭代实例分类器精修过程在深度网络中使用多个流来实现，其中每个流监督其后继流。在具有挑战性的 PASCAL VOC 2007 和 2012 基准上进行了弱监督目标检测实验。我们在 VOC 2007 上获得了 47% 的 mAP，显著优于之前的最先进水平。
引用
@article{arxiv.1704.00138,
title = {Multiple Instance Detection Network with Online Instance Classifier Refinement},
author = {Peng Tang and Xinggang Wang and Xiang Bai and Wenyu Liu},
journal= {arXiv preprint arXiv:1704.00138},
year = {2017}
}
备注
Accepted by CVPR 2017, IEEE Conference on Computer Vision and Pattern Recognition 2017