SIOD：每图每类单实例标注的目标检测
计算机视觉与模式识别
2022-03-31 v2
摘要
不完美数据下的目标检测近期受到广泛关注。弱监督目标检测（WSOD）因缺乏实例级标注而存在严重定位问题，而半监督目标检测（SSOD）受标注与未标注数据间图像间差异影响仍具挑战。本研究提出单实例标注目标检测（SIOD），仅要求图像中每个存在类别的一个实例标注。SIOD将差异从任务间（WSOD）或图像间（SSOD）降级为图像内差异，为挖掘其余未标注实例提供更可靠且丰富的先验知识，并权衡了标注成本与性能。在SIOD设定下，我们提出一个简洁而有效的框架，称为双挖掘（DMiner），由基于相似度的伪标签生成模块（SPLG）与像素级分组对比学习模块（PGCL）组成。SPLG首先从特征表示空间挖掘潜在实例以缓解标注缺失问题。为避免被不准确伪标签误导，我们提出PGCL以提升对错误伪标签的容忍度。在MS COCO上的大量实验验证了SIOD设定的可行性及所提方法的优越性，相比基线方法取得一致且显著的提升，并在仅标注40%实例的情况下取得与全监督目标检测（FSOD）方法相当的结果。
引用
@article{arxiv.2203.15353,
title = {SIOD: Single Instance Annotated Per Category Per Image for Object Detection},
author = {Hanjun Li and Xingjia Pan and Ke Yan and Fan Tang and Wei-Shi Zheng},
journal= {arXiv preprint arXiv:2203.15353},
year = {2022}
}
备注
CVPR2022