【CVPR2020】实例感知、上下文聚焦和内存有效的弱监督目标检测，Instance-aware, Context-focused, and Memory-efficient Weakly Supervised Object Detection

题目： Instance-aware, Context-focused, and Memory-efficient Weakly Supervised Object Detection

摘要：

弱监督学习通过减少训练过程中对强监督的需求，已经成为一种引人注目的对象检测工具。然而，主要的挑战仍然存在:(1)对象实例的区分可能是模糊的;(2)探测器往往聚焦于有区别的部分，而不是整个物体;(3)如果准确性不高，对象建议对于高回忆来说是冗余的，这会导致大量的内存消耗。解决这些挑战是困难的，因为它经常需要消除不确定性和琐碎的解决方案。为了解决这些问题，我们开发了一个实例感知和上下文相关的统一框架。它采用了一个实例感知的自训练算法和一个可学习的具体DropBlock，同时设计了一个内存有效的顺序批处理反向传播。我们提出的方法在COCO(12.1%的AP, 24.8%的AP50)、VOC 2007(54.9%的AP)和VOC 2012(52.1%的AP)上取得了最先进的结果，极大地改善了基线。此外，该方法是第一个对基于ResNet的模型和弱监督视频对象检测进行基准测试的方法。