面向弱监督目标检测的自步深度学习
计算机视觉与模式识别
2018-02-22 v3
摘要
在弱监督场景下，目标检测器需要仅使用图像级标注进行训练。由于边界框级别的真实标签不可用，迄今为止提出的大多数解决方案都基于迭代的多示例学习框架，其中当前分类器用于选择每张图像中置信度最高的边界框，这些边界框在下一轮训练迭代中被视为伪真实标签。然而，不成熟分类器的错误可能导致过程漂移，通常会在训练数据集中引入大量误报。为了缓解这个问题，我们在本文中提出了一种基于自步学习范式的训练方案。其主要思想是迭代地选择最可靠的图像和边界框子集，并使用它们进行训练。虽然在过去的几年中，类似的策略已被用于支持向量机和其他分类器，但我们首次展示了自步方法可以在端到端的训练流程中与基于深度网络的分类器一起使用。我们提出的方法建立在全监督的 Fast-RCNN 架构之上，并可应用于将输入图像表示为边界框集合的类似架构。我们在 Pascal VOC 2007、Pascal VOC 2010 和 ILSVRC 2013 上展示了当时最先进的结果。在 ILSVRC 2013 上，我们基于低容量 AlexNet 网络的结果甚至优于那些基于高容量网络的弱监督方法。
引用
@article{arxiv.1605.07651,
title = {Self Paced Deep Learning for Weakly Supervised Object Detection},
author = {Enver Sangineto and Moin Nabi and Dubravko Culibrk and Nicu Sebe},
journal= {arXiv preprint arXiv:1605.07651},
year = {2018}
}
备注
To appear at IEEE Transactions on PAMI