利用物体与背景迁移的弱监督目标定位
计算机视觉与模式识别
2017-08-08 v2
摘要
我们提出通过从具有可用标注的源集合迁移物体与背景知识，来帮助缺乏位置标注类别的弱监督目标定位。源类别与目标类别可能具有相似的外观（例如熊的毛皮与猫的毛皮相似），或者出现在相似的背景下（例如马和羊出现在草地上）。为了利用这一点，我们从源集合中获取三种类型的知识：在物体类别和背景类别上训练的分割模型；目标类别与源类别之间的相似性关系；以及源集合中物体类别与背景类别之间的共现关系。分割模型用于在目标图像上生成物体和背景分割图，而类别相似性和共现知识则帮助对其进行细化。随后，我们将这些图作为新线索纳入多示例学习框架（MIL），将迁移的知识从像素级传播到目标提议级。在大量实验中，我们从 PASCAL Context 数据集（源）迁移至 ILSVRC、COCO 和 PASCAL VOC 2007 数据集（目标）。我们在差异广泛的物体类别上评估了迁移效果，包括一些外观不相似但出现在相似背景下的类别。结果表明，相较于标准 MIL 有显著提升，并且我们在迁移设置下优于现有技术。
引用
@article{arxiv.1703.08000,
title = {Weakly Supervised Object Localization Using Things and Stuff Transfer},
author = {Miaojing Shi and Holger Caesar and Vittorio Ferrari},
journal= {arXiv preprint arXiv:1703.08000},
year = {2017}
}
备注
ICCV 2017 camera-ready including supplementary material