基于不精确边界框的鲁棒目标检测
计算机视觉与模式识别
2022-07-21 v1
摘要
学习准确的目标检测器通常需要带有精确目标边界框的大规模训练数据。然而，标注此类数据昂贵且耗时。由于众包标注过程以及目标本身的模糊性可能引入含噪的边界框标注，目标检测器将受到退化训练数据的影响。在本工作中，我们旨在解决利用不精确边界框学习鲁棒目标检测器的挑战。受定位精度受不精确边界框显著影响而分类准确率受影响较小这一事实的启发，我们提出利用分类作为引导信号来精炼定位结果。具体而言，通过将一个目标视为一组实例（bag of instances），我们引入了一种目标感知多示例学习方法（OA-MIL），其特点在于目标感知实例选择与目标感知实例扩展。前者旨在为训练选择准确实例，而非直接使用不精确的框标注。后者专注于生成高质量实例以供选择。在合成噪声数据集（即噪声 PASCAL VOC 和 MS-COCO）以及真实噪声麦穗数据集上的大量实验证明了我们 OA-MIL 的有效性。代码见 https://github.com/cxliu0/OA-MIL。
引用
@article{arxiv.2207.09697,
title = {Robust Object Detection With Inaccurate Bounding Boxes},
author = {Chengxin Liu and Kewei Wang and Hao Lu and Zhiguo Cao and Ziming Zhang},
journal= {arXiv preprint arXiv:2207.09697},
year = {2022}
}
备注
Accepted by ECCV 2022