PGTRNet：基于伪真值精修的两阶段弱监督目标检测
计算机视觉与模式识别
2022-03-21 v2
摘要
当前最先进的弱监督目标检测 (WSOD) 研究主要遵循两阶段训练策略，将全监督检测器 (FSD) 与纯 WSOD 模型相结合。有两个主要问题阻碍了两阶段 WSOD 方法的性能，即学习不充分问题以及 FSD 与 WSOD 模型生成的伪真值 (PGT) 之间的严格依赖问题。本文提出了伪真值精修网络 (PGTRNet)，这是一种简单而有效且不引入任何额外可学习参数的方法，以应对这些问题。PGTRNet 利用多个边界框来建立 PGT，缓解了学习不充分问题。此外，我们提出了一种新颖的在线 PGT 精修方法，通过在第二阶段训练中充分利用 FSD 的能力来稳步提升 PGT 的质量，从而解耦第一阶段与第二阶段的模型。在 PASCAL VOC 2007 基准上进行了详尽的实验以验证我们方法的有效性。实验结果表明，PGTRNet 使骨干模型提升了 2.1% mAP，并实现了最先进的性能。
引用
@article{arxiv.2108.11439,
title = {PGTRNet: Two-phase Weakly Supervised Object Detection with Pseudo Ground Truth Refinement},
author = {Jun Wang and Hefeng Zhou and Xiaohan Yu},
journal= {arXiv preprint arXiv:2108.11439},
year = {2022}
}
备注
This paper was accepted by ICASSP2022. arXiv admin note: substantial text overlap with arXiv:2104.00231