用于从单标签标注训练多标签分类器的空间一致性损失
计算机视觉与模式识别
2022-03-14 v1
摘要
由于自然图像通常包含多个物体,多标签图像分类比单标签分类更适用于"真实场景"。然而,用每个感兴趣物体详尽标注图像成本高且耗时。我们旨在仅从单标签标注训练多标签分类器。我们表明,添加一致性损失以确保网络预测在连续训练轮次间一致,是在弱监督设定下训练多标签分类器简单而有效的方法。我们进一步在空间上扩展该方法,通过确保连续训练轮次产生的空间特征图一致,并为每幅训练图像维护逐类滑动平均热力图。我们表明该空间一致性损失进一步提升了分类器的多标签mAP。此外,我们表明该方法克服了"裁剪"数据增强的缺陷,即使在数据增强将大部分单标签真值物体裁出输入图像时也能恢复正确监督信号。我们在MS-COCO与Pascal VOC上展示了一致性损失与空间一致性损失相对于二元交叉熵基线及对比方法的提升。我们还使用ReaL多标签验证集在ImageNet-1K上展示了改进的多标签分类mAP。
引用
@article{arxiv.2203.06127,
title = {Spatial Consistency Loss for Training Multi-Label Classifiers from Single-Label Annotations},
author = {Thomas Verelst and Paul K. Rubenstein and Marcin Eichner and Tinne Tuytelaars and Maxim Berman},
journal= {arXiv preprint arXiv:2203.06127},
year = {2022}
}
备注
24 pages, 9 figures