面向弱监督目标检测的目标实例挖掘
计算机视觉与模式识别
2020-02-05 v1
摘要
仅使用图像级标注的弱监督目标检测(WSOD)在过去几年中吸引了越来越多的关注。现有基于多示例学习的方法容易陷入局部最优,因为该机制倾向于从每类图像中最具判别力的目标学习。因此,这些方法存在目标实例漏检问题,降低了WSOD性能。为解决此问题,本文引入一种端到端的目标实例挖掘(OIM)框架用于弱监督目标检测。OIM通过引入空间与外观图上的信息传播,尝试检测每幅图像中所有可能的目标实例,无需任何额外标注。在迭代学习过程中,来自同一类的较弱判别力目标实例可被逐步检测并用于训练。此外,我们设计了一种目标实例重加权损失,以学习每个目标实例的更大区域,进一步提升性能。在VOC 2007和2012两个公开数据库上的实验结果证明了所提方法的有效性。
引用
@article{arxiv.2002.01087,
title = {Object Instance Mining for Weakly Supervised Object Detection},
author = {Chenhao Lin and Siwen Wang and Dongqi Xu and Yu Lu and Wayne Zhang},
journal= {arXiv preprint arXiv:2002.01087},
year = {2020}
}