基于深度特征的多示例学习用于极端域偏移下的弱监督目标检测
计算机视觉与模式识别
2021-11-15 v5
摘要
仅使用图像级标注的弱监督目标检测(WSOD)在过去几年吸引了越来越多的关注。虽然该任务通常借助聚焦于自然图像的特定领域方案来解决,我们表明,在预训练深度特征上应用的简单多示例方法在非摄影数据集上取得了优异性能,并可能包含新类别。该方法不包含任何微调或跨域学习,因此高效且可能适用于任意数据集与类别。我们研究了所提方法的几种变体,其中部分包含多层感知机与多面体分类器。尽管简单,我们的方法在一系列公开可用数据集上展示了具竞争力的结果,包括绘画(People-Art、IconArt)、水彩画、剪贴画与漫画,并允许快速学习未见视觉类别。
引用
@article{arxiv.2008.01178,
title = {Multiple instance learning on deep features for weakly supervised object detection with extreme domain shifts},
author = {Nicolas Gonthier and Saïd Ladjal and Yann Gousseau},
journal= {arXiv preprint arXiv:2008.01178},
year = {2021}
}
备注
26 pages, 12 figures