TriLite：基于通用视觉特征与三区域解缝的高效弱监督目标局部化
计算机视觉与模式识别
2026-02-27 v1
摘要
弱监督目标局部化（WSOL）旨在仅使用图像级标签对图像中的目标对象进行局部化。尽管近期研究取得了进展，许多方法仍依赖多阶段管道或对大型主干网络进行完整微调，这增加了训练成本，而 WSOL 领域仍面临部分对象覆盖的问题。我们提出了 TriLite，一个单阶段 WSOL 框架，利用冻结的 Vision Transformer 进行自监督学习，并仅引入极少的可训练参数（在 ImageNet-1K 上不足 80 万）即可实现分类与局部化。其核心是提出的 TriHead 模块，将 patch 特征分解为前景、背景和模糊区域，从而改善对象覆盖范围并抑制不必要的激活。通过解缝分类与局部化目标，TriLite 有效利用了自监督 ViT 所学习的通用表征，无需昂贵的端到端训练。在 CUB-200-2011、ImageNet-1K 和 OpenImages 上的大量实验表明，TriLite 达到了新的状态（SOTA），且在参数效率和训练便捷性方面显著优于先前方法。代码将很快公开。
引用
@article{arxiv.2602.23120,
title = {TriLite: Efficient Weakly Supervised Object Localization with Universal Visual Features and Tri-Region Disentanglement},
author = {Arian Sabaghi and José Oramas},
journal= {arXiv preprint arXiv:2602.23120},
year = {2026}
}
备注
This paper consists of 8 pages including 6 figures. Accepted at CVPR 2026