通过采样伪真值框实现半弱监督目标检测
计算机视觉与模式识别
2022-06-20 v2
摘要
半监督和弱监督学习近来在目标检测文献中引起了相当多的关注，因为它们能减轻成功训练深度学习模型所需的标注成本。最先进的半监督学习方法依赖于使用多阶段过程以及大量数据增强训练的学生-教师模型。针对弱监督设定已开发了定制网络，使其难以适配不同的检测器。本文引入了一种弱半监督训练方法，降低了这些训练挑战，同时仅利用一小部分全标注图像及弱标注图像中的信息便达到了最先进的性能。特别地，我们通用的基于采样的策略以在线方式生成伪真值（GT）边界框标注，消除了多阶段训练和学生-教师网络配置的需要。这些伪GT框基于通过分数传播过程累积的目标候选的类别分数，从弱标注图像中采样得到。在Pascal VOC数据集上的实证结果表明，当使用VOC 2007作为全标注、VOC 2012作为弱标注数据时，所提方法将性能提升了5.0%。此外，在5-10%全标注图像下，我们观察到mAP提升超过10%，表明适度的图像级标注投入即可大幅改善检测性能。
引用
@article{arxiv.2204.00147,
title = {Semi-Weakly Supervised Object Detection by Sampling Pseudo Ground-Truth Boxes},
author = {Akhil Meethal and Marco Pedersoli and Zhongwen Zhu and Francisco Perdigon Romero and Eric Granger},
journal= {arXiv preprint arXiv:2204.00147},
year = {2022}
}
备注
Accepted at IJCNN 2022