可扩展的深度学习标志检测
计算机视觉与模式识别
2018-04-04 v2
摘要
现有的标志检测方法通常考虑少量的标志类别且每类图像有限，并强烈假设需要繁琐的目标边界框标注，因此无法扩展至现实世界的动态应用中。在本工作中，我们通过探索网络数据学习原理来解决这些挑战，而无需详尽的人工标注。具体而言，我们提出了一种新颖的增量学习方法，称为可扩展标志自协同学习（SL^2），能够以跨模型协同学习的方式，自动从带噪声的网络数据中发现有信息量的训练图像，从而逐步提升模型能力。此外，我们通过自动化的网络数据收集与处理方法，引入了一个非常大型的标志数据集“WebLogo-2M”（包含 194 个标志类别的 2,190,757 张图像）。大量的对比评估证明了所提出的 SL^2 方法优于当前最先进的强监督与弱监督检测模型以及现有的网络数据学习方法。
引用
@article{arxiv.1803.11417,
title = {Scalable Deep Learning Logo Detection},
author = {Hang Su and Shaogang Gong and Xiatian Zhu},
journal= {arXiv preprint arXiv:1803.11417},
year = {2018}
}