用于弱监督定位与检测的弱监督前景学习
计算机视觉与模式识别
2021-08-05 v1
摘要
现代深度学习模型需要大量精确标注的数据，这往往难以满足。因此，弱监督任务，包括弱监督目标定位（WSOL）与弱监督目标检测（WSOD），近期在计算机视觉社区受到关注。本文中，我们通过展示若可获得真实前景掩码，WSOL 与 WSOD 均可得到极大改进，从而引出并提出弱监督前景学习（WSFL）任务。更重要的是，我们提出一个计算代价低的完整 WSFL 流程，该流程生成伪边界框、学习前景掩码，且无需任何定位标注。借助我们的 WSFL 模型预测的前景掩码，我们在 CUB 数据集上实现了 72.97% 的 WSOL 正确定位精度，在 VOC07 数据集上实现了 55.7% 的 WSOD 平均精度均值，从而为这两项任务建立了新的最优水平。我们的 WSFL 模型还展现出优异的迁移能力。
引用
@article{arxiv.2108.01785,
title = {Weakly Supervised Foreground Learning for Weakly Supervised Localization and Detection},
author = {Chen-Lin Zhang and Yin Li and Jianxin Wu},
journal= {arXiv preprint arXiv:2108.01785},
year = {2021}
}
备注
Work in progress