作为域适应的弱监督目标定位
计算机视觉与模式识别
2022-03-28 v3 机器学习
摘要
弱监督目标定位（WSOL）仅以图像级分类掩码作为监督来关注定位目标。大多数先前的 WSOL 方法遵循分类激活图（CAM），其基于带有多示例学习（MIL）机制的分类结构来定位目标。然而，MIL 机制使得 CAM 仅激活有判别力的目标部分而非整个目标，削弱了其定位目标的性能。为避免该问题，本工作提供一种新颖视角，将 WSOL 建模为域适应（DA）任务，其中在源/图像域上训练的分数估计器在目标/像素域上测试以定位目标。在此视角下，设计了一个 DA-WSOL 流程，以更好地将 DA 方法引入 WSOL 来提升定位性能。它利用所提出的目标采样策略来选择不同类型的目标样本。基于这些类型的目标样本，阐述了域适应定位（DAL）损失。它通过 DA 对齐两域间的特征分布，并借助 Universum 正则化使估计器感知目标域线索。实验表明，我们的流程在多基准上优于 SOTA 方法。代码发布于 \url{https://github.com/zh460045050/DA-WSOL_CVPR2022}。
引用
@article{arxiv.2203.01714,
title = {Weakly Supervised Object Localization as Domain Adaption},
author = {Lei Zhu and Qi She and Qian Chen and Yunfei You and Boyu Wang and Yanye Lu},
journal= {arXiv preprint arXiv:2203.01714},
year = {2022}
}
备注
Accept by CVPR 2022 Conference