基于分割协作的弱监督目标检测
计算机视觉与模式识别
2019-04-02 v1
摘要
弱监督目标检测旨在给定图像类别标签的情况下学习精确的目标检测器。在近期主流工作中，该问题通常被表述为由图像分类损失引导的多示例学习模块。目标边界框被假定为在所有候选框中对分类贡献最大的那个。然而，贡献最大的区域也可能是一个目标的关键部分或支撑上下文。为获得更精确的检测器，本文提出一种新颖的端到端弱监督检测方法，其中新引入的生成对抗分割模块与传统检测模块在协作循环中相互作用。该协作机制充分利用弱监督定位任务（即检测与分割任务）的互补解释，形成更全面的解决方案。因此，我们的方法获得了更精确的目标边界框，而非部分或不相关周边。预期地，所提方法在 PASCAL VOC 2007 数据集上取得了 51.0% 的准确率，优于当前最优方法，并证明了其在弱监督目标检测上的优越性。
引用
@article{arxiv.1904.00551,
title = {Weakly Supervised Object Detection with Segmentation Collaboration},
author = {Xiaoyan Li and Meina Kan and Shiguang Shan and Xilin Chen},
journal= {arXiv preprint arXiv:1904.00551},
year = {2019}
}