利用弱监督目标检测中的不稳定性
计算机视觉与模式识别
2019-06-17 v1
摘要
弱监督目标检测（WSOD）致力于仅利用图像级标注训练目标检测器，由于监督信号与目标之间的差距而具有挑战性。现有大多数方法将 WSOD 建模为多示例学习（MIL）问题。然而，我们观察到基于 MIL 的检测器结果是不稳定的，即在使用不同初始化时，最具置信度的边界框会发生显著变化。我们通过引入一个度量指标定量地展示了这种不稳定性，并从经验上分析了其成因。尽管不稳定性看似对检测任务有害，我们认为可通过融合不同初始化检测器的结利用它来提升性能。为实现该思路，我们提出了一种具有多个检测分支的端到端框架，并引入了一种简单的融合策略。我们进一步提出了一种正交初始化方法以增大检测分支间的差异。通过利用不稳定性，我们在具有挑战性的 PASCAL VOC 2007 和 2012 数据集上分别取得了 52.6% 和 48.0% 的 mAP，均为新的 SOTA。
引用
@article{arxiv.1906.06023,
title = {Utilizing the Instability in Weakly Supervised Object Detection},
author = {Yan Gao and Boxiao Liu and Nan Guo and Xiaochun Ye and Fang Wan and Haihang You and Dongrui Fan},
journal= {arXiv preprint arXiv:1906.06023},
year = {2019}
}
备注
Accepted by CVPR 2019 Workshop