基于多折多示例学习的弱监督目标定位
计算机视觉与模式识别
2016-05-30 v3
摘要
目标类别定位是计算机视觉中的一个挑战性难题。标准的监督训练需要目标实例的边界框标注。弱监督学习规避了这一耗时的标注过程，其监督信息仅限于指示图像中目标实例存在与否的二值标签，而不包含位置信息。我们采用多示例学习（multiple-instance learning）方法，迭代地训练检测器并推断正训练图像中的目标位置。我们的主要贡献是一种多折多示例学习过程，可防止训练过早锁定在错误的目标位置上。在使用高维表示（如 Fisher 向量和卷积神经网络特征）时，该过程尤为重要。我们还提出了一种窗口细化方法，通过引入目标性先验（objectness prior）提高了定位精度。我们利用 PASCAL VOC 2007 数据集进行了详细的实验评估，验证了我们方法的有效性。
引用
@article{arxiv.1503.00949,
title = {Weakly Supervised Object Localization with Multi-fold Multiple Instance Learning},
author = {Ramazan Gokberk Cinbis and Jakob Verbeek and Cordelia Schmid},
journal= {arXiv preprint arXiv:1503.00949},
year = {2016}
}
备注
To appear in IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI)