基于对比学习的弱监督目标检测中的目标发现
计算机视觉与模式识别
2022-09-05 v2
摘要
弱监督目标检测（WSOD）是一项仅使用图像级标注训练的模型来检测图像中物体的任务。当前最先进的模型受益于自监督的实例级监督，但由于弱监督不包含计数或位置信息，最常见的“argmax”标注方法常常忽略许多物体实例。为缓解此问题，我们提出一种称为目标发现的新型多实例标注方法。我们进一步引入一种在弱监督下无可用实例级信息进行采样的新的对比损失，称为弱监督对比损失（WSCL）。WSCL 旨在通过对同一类中嵌入向量的一致特征加以利用，为目标发现构建一个可信的相似度阈值。因此，我们在 MS-COCO 2014 与 2017 以及 PASCAL VOC 2012 上取得了新的最先进结果，并在 PASCAL VOC 2007 上取得了有竞争力的结果。
引用
@article{arxiv.2208.07576,
title = {Object Discovery via Contrastive Learning for Weakly Supervised Object Detection},
author = {Jinhwan Seo and Wonho Bae and Danica J. Sutherland and Junhyug Noh and Daijin Kim},
journal= {arXiv preprint arXiv:2208.07576},
year = {2022}
}
备注
Accepted at ECCV 2022. For project page, see https://jinhseo.github.io/research/wsod.html For code, see https://github.com/jinhseo/OD-WSCL