将目标检测视为正-未标注问题
计算机视觉与模式识别
2020-11-03 v2
摘要
与其他深度学习方法一样，标签质量对学习现代卷积目标检测器十分重要。然而，复杂图像场景中可发现的目标实例潜在数量庞大且形态多样，使得构建完整标注成为一项艰巨任务；在多种流行目标检测数据集中均可观察到缺失标注的对象。这些缺失标注可能带来问题，因为用于训练目标检测模型的标准交叉熵损失将分类视为正-负(PN)问题：未标注区域被隐式假设为背景。因此，任何缺失边界框的对象都会产生令人困惑的学习信号，我们在经验上观察到了其影响。为纠正此问题，我们提出将目标检测视为正-未标注(PU)问题，从而去除未标注区域必为负的假设。我们证明，在一系列标签缺失程度下，以及在使用完整标签的Visual Genome与DeepLesion上，我们所提出的PU分类损失均优于标准PN损失。
引用
@article{arxiv.2002.04672,
title = {Object Detection as a Positive-Unlabeled Problem},
author = {Yuewei Yang and Kevin J Liang and Lawrence Carin},
journal= {arXiv preprint arXiv:2002.04672},
year = {2020}
}
备注
Published as a conference paper in the British Machine Vision Conference (BMVC) 2020