用于弱监督目标定位的成对相似性知识迁移
计算机视觉与模式识别
2020-07-21 v2
摘要
弱监督目标定位（WSOL）方法仅需要图像级标签，而全监督算法需要昂贵的边界框标注。我们研究在具有弱监督图像标签的目标类别上学习定位模型的问题，并借助完全标注的源数据集。通常，WSOL 模型首先在一个现成的全监督源数据集上训练以预测类通用的目标性分数，然后逐步适应以学习弱监督目标数据集中的目标。在这项工作中，我们认为仅学习目标性函数是一种弱形式的知识迁移，并提议学习一个类别的成对相似性函数，该函数也直接比较两个输入提议。组合定位模型和估计的目标标注以交替优化范式联合学习，正如标准 WSOL 方法中所做的那样。与现有学习成对相似性的工作不同，我们的方法优化了一个具有收敛保证的统一目标，并且对于大规模应用计算高效。在 COCO 和 ILSVRC 2013 检测数据集上的实验表明，加入成对相似性函数后定位模型的性能显著提升。例如，在 ILSVRC 数据集中，正确定位（CorLoc）性能从 72.8% 提高到 78.2%，这是 WSOL 任务在知识迁移背景下的新 SOTA。
引用
@article{arxiv.2003.08375,
title = {Pairwise Similarity Knowledge Transfer for Weakly Supervised Object Localization},
author = {Amir Rahimi and Amirreza Shaban and Thalaiyasingam Ajanthan and Richard Hartley and Byron Boots},
journal= {arXiv preprint arXiv:2003.08375},
year = {2020}
}
备注
ECCV 2020. formerly "In Defense of Graph Inference Algorithms for Weakly Supervised Object Localization"