负原型引导的对比学习用于弱监督目标检测
计算机视觉与模式识别
2024-06-28 v1 人工智能
摘要
仅使用图像级标注的弱监督目标检测（Weakly Supervised Object Detection, WSOD）最近因能广泛关注。许多现有方法忽略了那些虽然共享相似特征但确定不属于同一类别的实例之间的图像间关系。因此，为了充分利用弱标签，我们提出了负原型引导的对比学习（Negative Prototypes Guided Contrastive learning, NPGC）架构。首先，我们定义负原型为对该类别误分类且该类别在标签中不存在的提议中置信度最高者。不同于仅利用类别正向特征的方法，我们构建一个在线更新的全局特征库，用于存储正原型和负原型。同时，我们提出了一个伪标签采样模块，基于全局特征库中对应原型的特征相似性来挖掘可靠实例并剔除易被误分类的实例。最后，我们遵循对比学习范式，通过在嵌入空间中将同一类别的样本拉近、将不同类别的样本推远来优化提议的特征表示。对VOC07、VOC12数据集进行了大量实验测试，表明我们的方法在实现最先进性能方面具有优势。
引用
@article{arxiv.2406.18576,
title = {Negative Prototypes Guided Contrastive Learning for WSOD},
author = {Yu Zhang and Chuang Zhu and Guoqing Yang and Siqi Chen},
journal= {arXiv preprint arXiv:2406.18576},
year = {2024}
}