【CVPR2022】弱监督目标定位建模为领域适应

弱监督目标定位(WSOL)只关注在图像级分类掩码的监督下进行对象定位。以前的大多数WSOL方法都遵循分类激活映射(classification activation map, CAM)，它使用多实例学习(MIL)机制基于分类结构对目标进行本地化。然而，MIL机制使得CAM只能激活识别目标的部分而不能激活整个目标，削弱了其本地化目标的性能。**为了避免这一问题，本文提出了一种新的视角，将WSOL建模为域适应(DA)任务，即在源/图像域上训练的分数估计器在目标/像素域上进行测试以定位目标。**在此视角下，DA-WSOL流程设计可以更好地将DA方法引入到WSOL中，以提高本地化性能。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，对域自适应定位(DAL)损耗进行了阐述。该方法通过DA对两个域之间的特征分布进行对齐，并通过Universum正则化使估计器感知目标域线索。实验表明，该方法在多基准测试上的性能优于SOTA方法。代码发布在 https://github.com/zh460045050/DA-WSOL_CVPR2022。

https://www.zhuanzhi.ai/paper/b6270692c498676accaf6ada594a09e5