用于弱监督目标检测的之字形学习
计算机视觉与模式识别
2018-04-26 v1
摘要
本文研究仅在训练阶段使用图像级监督的弱监督目标检测。以往方法一次性使用整图训练检测模型，导致模型因引入的假正例而易陷入次优解。与之不同，我们提出一种之字形学习策略，以同时发现可靠的目标实例并防止模型过拟合初始种子。为此，我们首先提出一个名为平均能量累积分数（mEAS）的准则，自动度量并排序含目标物体的图像定位难度，从而按递增难度输入样本渐进式学习检测器。如此，模型通过简单样本的训练可为学习更难样本做好准备，从而更高效地获得更强的检测能力。此外，我们在高层卷积特征图上引入一种新颖的掩码正则化策略，以避免过拟合初始样本。这两个模块构成了之字形学习过程：渐进式学习致力于发现可靠目标实例，而掩码正则化适当增加发现目标实例的难度。我们在 PASCAL VOC 2007 上取得 47.6% mAP，大幅超越现有最优方法。
引用
@article{arxiv.1804.09466,
title = {Zigzag Learning for Weakly Supervised Object Detection},
author = {Xiaopeng Zhang and Jiashi Feng and Hongkai Xiong and Qi Tian},
journal= {arXiv preprint arXiv:1804.09466},
year = {2018}
}
备注
accepted by CVPR 2018