NOTE-RCNN：用于半监督目标检测的耐噪集成 RCNN
计算机视觉与模式识别
2018-12-04 v1
摘要
大量边界框的标注成本是训练现代目标检测器的主要挑战之一。为减少对昂贵边界框标注的依赖，我们提出一种新的半监督目标检测形式，其中使用少量种子框级标注和大规模图像级标注来训练检测器。我们采用在弱监督目标检测任务中广泛使用的训练-挖掘框架。然而，挖掘过程天然会引入各类标注噪声：假阴性、假阳性和不精确边界，这些对训练标准目标检测器（如 Faster RCNN）是有害的。我们提出一种新颖的耐噪集成 RCNN（NOTE-RCNN）目标检测器来处理此类噪声标签。与标准 Faster RCNN 相比，它包含三个亮点：两个分类头和一个蒸馏头的集成以避免在噪声标签上过拟合并提升挖掘精度；在框预测器中屏蔽负样本损失以避免假阴性标签的危害；以及仅在种子标注上训练框回归头以消除挖掘边界框不精确边界带来的危害。我们在 ILSVRC 2013 和 MSCOCO 2017 数据集上评估了该方法；我们观察到检测精度随着在挖掘和训练步骤间迭代而持续提升，并达到了最先进的性能。
引用
@article{arxiv.1812.00124,
title = {NOTE-RCNN: NOise Tolerant Ensemble RCNN for Semi-Supervised Object Detection},
author = {JIyang Gao and Jiang Wang and Shengyang Dai and Li-Jia Li and Ram Nevatia},
journal= {arXiv preprint arXiv:1812.00124},
year = {2018}
}
备注
8 pages