弱监督目标检测中的自分类增强与纠正

近年来，弱监督目标检测（WSOD）因其低标注成本而受到广泛关注。近期 WSOD 模型取得的成绩常归功于两阶段多类分类（MCC）任务，即多实例学习和在线分类细化。尽管取得了非平凡的进展，但这些方法忽略了这两种 MCC 任务之间潜在的分类歧义，并未充分利用它们各自的独特优势。本文引入了新的 WSOD 框架以缓解这两个问题。首先，我们提出了自分类增强模块，将类内二分类（ICBC）集成到其中，以弥合这两种不同 MCC 任务之间的差距。ICBC 任务以类别为单位增强网络在正样本和误定位样本之间的判别能力，并与 MCC 任务形成互相强化的关系。其次，我们提出了推理时的自分类纠正算法，将两种 MCC 任务的结果相结合，以有效减少误分类预测。在广泛使用的 VOC 2007 与 2012 数据集上进行的大量实验表明，我们框架的优异性能。