用于弱监督目标检测的在线渐进实例平衡采样
计算机视觉与模式识别
2022-06-22 v1
摘要
基于多实例检测网络（MIDN），大量工作为弱监督目标检测（WSOD）做出了巨大努力。然而，多数方法忽视了在训练阶段每幅图像中存在压倒性负实例这一事实，其会误导训练并使网络陷入局部极小。为解决该问题，本文提出一种基于难样本采样与软采样的在线渐进实例平衡采样（OPIS）算法。该算法包含两个模块：渐进实例平衡（PIB）模块与渐进实例重加权（PIR）模块。PIB 模块结合随机采样与 IoU 平衡采样，渐进挖掘难负实例同时平衡正实例与负实例。PIR 模块进一步利用相邻精炼的分类器得分与 IoU 对正实例的权重进行重加权，使网络聚焦于正实例。在 PASCAL VOC 2007 与 2012 数据集上的大量实验结果表明，所提方法可显著改进基线，且与许多现有 state-of-the-art（SOTA）结果相当。此外，相较于基线，所提方法无需额外网络参数且补充训练开销小，可轻易集成到基于实例分类器精炼范式的其他方法中。
引用
@article{arxiv.2206.10324,
title = {Online progressive instance-balanced sampling for weakly supervised object detection},
author = {M. Chen and Y. Tian and Z. Li and E. Li and Z. Liang},
journal= {arXiv preprint arXiv:2206.10324},
year = {2022}
}