面向弱监督目标检测的在线主动候选框集生成
计算机视觉与模式识别
2021-01-21 v1
摘要
为减少边界框级标注的人力消耗，近年来提出了许多仅需图像级标注的弱监督目标检测方法。这些方法的训练过程被划分为两步：首先在弱监督下训练神经网络以生成伪真值（PGTs），随后利用这些PGTs在全监督下训练另一个网络。与全监督方法相比，弱监督方法的训练过程更为复杂且耗时。此外，第一步中涉及大量负候选框，多数方法忽视了这一问题，导致训练网络偏向负候选框，从而降低PGTs的质量，限制了第二步中训练网络的性能。在线候选框采样是解决这些问题的直观方案，然而由于缺乏充分标注，简单的在线候选框采样可能使训练网络陷入局部极小值。为解决该问题，我们提出一种在线主动候选框集生成（OPG）算法。我们的OPG算法由两部分组成：动态候选框约束（DPC）与候选框划分（PP）。DPC根据当前训练状态动态确定不同的候选框采样策略；PP用于对各个候选框打分，将候选框划分至不同集合并生成用于网络优化的主动候选框集。实验表明，我们所提出的OPG在PASCAL VOC 2007与2012两个数据集上均取得一致且显著的提升，达到了与当前最优结果相当的性能。
引用
@article{arxiv.2101.07929,
title = {Online Active Proposal Set Generation for Weakly Supervised Object Detection},
author = {Ruibing Jin and Guosheng Lin and Changyun Wen},
journal= {arXiv preprint arXiv:2101.07929},
year = {2021}
}