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。

成为VIP会员查看完整内容
33

相关内容

弱监督学习:监督学习的一种。大致分3类,第一类是不完全监督(incomplete supervision),即,只有训练集的一个(通常很小的)子集是有标签的,其他数据则没有标签。这种情况发生在各类任务中。例如,在图像分类任务中,真值标签由人类标注者给出的。从互联网上获取巨量图片很容易,然而考虑到标记的人工成本,只有一个小子集的图像能够被标注。第二类是不确切监督(inexact supervision),即,图像只有粗粒度的标签。第三种是不准确的监督(inaccurate supervision),模型给出的标签不总是真值。出现这种情况的常见原因有,图片标注者不小心或比较疲倦,或者某些图片就是难以分类。
专知会员服务
41+阅读 · 2020年2月20日
ICCV 2019 | 精确的端到端的弱监督目标检测网络
AI科技评论
11+阅读 · 2019年12月9日
最全综述 | 图像目标检测
计算机视觉life
30+阅读 · 2019年6月24日
特征金字塔网络FPN的直觉与架构
论智
11+阅读 · 2018年8月6日
CVPR 2018|Cascade R-CNN:向高精度目标检测器迈进
极市平台
10+阅读 · 2018年7月20日
Focal Loss for Dense Object Detection
统计学习与视觉计算组
11+阅读 · 2018年3月15日
3D-LaneNet: end-to-end 3D multiple lane detection
Arxiv
7+阅读 · 2018年11月26日
Arxiv
3+阅读 · 2018年6月14日
Arxiv
8+阅读 · 2018年4月12日
VIP会员
相关VIP内容
专知会员服务
41+阅读 · 2020年2月20日
相关资讯
ICCV 2019 | 精确的端到端的弱监督目标检测网络
AI科技评论
11+阅读 · 2019年12月9日
最全综述 | 图像目标检测
计算机视觉life
30+阅读 · 2019年6月24日
特征金字塔网络FPN的直觉与架构
论智
11+阅读 · 2018年8月6日
CVPR 2018|Cascade R-CNN:向高精度目标检测器迈进
极市平台
10+阅读 · 2018年7月20日
Focal Loss for Dense Object Detection
统计学习与视觉计算组
11+阅读 · 2018年3月15日
微信扫码咨询专知VIP会员