基于部分标注数据集的自监督鲁棒目标检测器
计算机视觉与模式识别
2020-06-30 v2
摘要
在目标检测任务中，合并来自相似场景但具有不同感兴趣目标（OoI）集合的多个数据集，是一种以较低人工成本构建覆盖广泛目标的大规模数据集的廉价方式。此外，合并数据集使我们能够训练一个集成目标检测器，而非多个，从而降低计算和时间成本。然而，合并相似场景的数据集会导致样本出现部分标注问题，因为每个组成数据集最初仅针对其自身的OoI集合进行标注，而忽略了合并后变得感兴趣的那些目标。为了训练一个具有高泛化性能的集成鲁棒目标检测器，我们提出一个训练框架来克服合并数据集的缺失标签挑战。具体而言，我们提出一种计算高效的自监督框架，为合并数据集中未标注的正例实时生成伪标签，以便在真实标签和伪标签上联合训练目标检测器。我们使用VOC2012和VOC2007构建了一个缺失率约为48%的模拟合并数据集，评估了所提框架在训练Yolo时的效果。实验表明，使用真实标签和我们的方法生成的伪标签联合训练的Yolo，其泛化性能平均比仅使用合并数据集的真实标签训练的检测器高出4%。
引用
@article{arxiv.2005.11549,
title = {Self-supervised Robust Object Detectors from Partially Labelled Datasets},
author = {Mahdieh Abbasi and Denis Laurendeau and Christian Gagne},
journal= {arXiv preprint arXiv:2005.11549},
year = {2020}
}