面向边界框不精确目标检测的空间自蒸馏方法
计算机视觉与模式识别
2023-08-16 v2
摘要
基于不精确边界框监督的目标检测因高质量标注数据昂贵或低标注质量（如微小物体）的偶尔必然性而引发了广泛兴趣。先前工作通常利用多示例学习（MIL）来筛选并精炼低质量框，该方法高度依赖类别信息。这些方法在未探索空间信息的情况下存在目标漂移、组预测和部分主导问题。本文启发式地提出了一种基于空间自蒸馏的目标检测器（SSD-Det），以自蒸馏方式挖掘空间信息来精炼不精确边界框。SSD-Det 利用空间位置自蒸馏（SPSD）模块挖掘空间信息，并采用交互结构将空间信息与类别信息结合，从而构建高质量候选框包。为进一步完善筛选过程，SSD-Det 中引入了空间身份自蒸馏（SISD）模块以获取空间置信度，辅助筛选最佳候选框。在带有噪声框标注的 MS-COCO 和 VOC 数据集上的实验验证了本方法的有效性，并取得了最先进的性能。代码见 https://github.com/ucas-vg/PointTinyBenchmark/tree/SSD-Det。
引用
@article{arxiv.2307.12101,
title = {Spatial Self-Distillation for Object Detection with Inaccurate Bounding Boxes},
author = {Di Wu and Pengfei Chen and Xuehui Yu and Guorong Li and Zhenjun Han and Jianbin Jiao},
journal= {arXiv preprint arXiv:2307.12101},
year = {2023}
}
备注
accepted by ICCV 2023