基于伪真值挖掘的两阶段弱监督目标检测
计算机视觉与模式识别
2021-04-02 v1
摘要
弱监督目标检测（WSOD）旨在仅利用图像级数据集训练检测器，已引起研究人员的日益关注。本项目中，我们关注将强大检测器与纯WSOD模型相整合的两阶段WSOD架构。我们探究了若干代表性检测器作为两阶段WSOD中第二阶段检测器的有效性，并提出了一种两阶段WSOD架构。此外，我们提出一种策略来建立用于训练第二阶段检测器的伪真值（PGT）。与以往将得分最高的边界框视为PGT的工作不同，我们考虑更多边界框来建立PGT标注。这缓解了由PGT低召回率导致的学习不充分问题。我们还提出一些策略以在第二检测器训练过程中精炼PGT。我们的策略在特定轮次暂停训练，然后利用第二阶段检测器的输出精炼PGT。此后，算法以与暂停前相同的梯度和权重继续训练。在PASCAL VOC 2007数据集上进行了精细实验以验证我们方法的有效性。结果表明，与单一PCL模型相比，我们的两阶段架构将mAP从49.17%提升至53.21%。此外，最佳PGT生成策略获得了0.7%的mAP提升。我们最佳的精炼策略将性能提升了1.74% mAP。采用我们所有方法的最佳结果达到了55.231% mAP，为当前最优性能。
引用
@article{arxiv.2104.00231,
title = {Two-phase weakly supervised object detection with pseudo ground truth mining},
author = {Jun Wang},
journal= {arXiv preprint arXiv:2104.00231},
year = {2021}
}
备注
10 tables, 8 figures