用于弱监督目标定位的软提议网络
计算机视觉与模式识别
2017-09-07 v1
摘要
弱监督目标定位仍然具有挑战性，训练期间仅提供图像标签而非边界框。目标提议是定位中的有效组件，但往往计算代价高昂，且无法与部分其余模块联合优化。据我们所知，本文首次以端到端学习方式将弱监督目标提议集成到卷积神经网络 (CNNs) 中。我们设计了一个名为软提议 (Soft Proposal, SP) 的网络组件，可插入任何标准卷积架构以引入近乎零成本的目标提议，比最先进方法快几个数量级。在称为软提议网络 (Soft Proposal Networks, SPNs) 的 SP 增强 CNN 中，基于深度特征图生成迭代演进的目标提议，然后投影回原图，并仅借助图像级监督与网络参数进一步联合优化。通过统一的学习过程，SPNs 学习到更好的以对象为中心的滤波器，发现更具判别力的视觉证据，并抑制背景干扰，显著提升了弱监督目标定位和分类性能。我们在包括 PASCAL VOC、MS COCO 和 ImageNet 在内的流行基准上报告了最佳结果。
引用
@article{arxiv.1709.01829,
title = {Soft Proposal Networks for Weakly Supervised Object Localization},
author = {Yi Zhu and Yanzhao Zhou and Qixiang Ye and Qiang Qiu and Jianbin Jiao},
journal= {arXiv preprint arXiv:1709.01829},
year = {2017}
}
备注
ICCV 2017