通过图像类别注释的弱监督突出物体检测

科学领域:

• 计算机科学 计算机科学
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 深度学习已经推进了突出物体检测.
• 完全监督的方法需要广泛的像素级注释.
• 弱监督的方法使用更便宜的注释,如类别标签,但往往遭受不准确的检测.

研究的目的:

• 提出一种新的弱监督突出物体检测方法,仅使用类别注释.
• 为应对现有的基于类别的方法中不准确检测的挑战.
• 制定一种策略,用于生成和完善高质量的伪标签.

主要方法:

• 提出了一个粗略的对象定位网络 (COLN) 用于使用类别信息进行初始对象定位.
• 开发了一个伪标签生成和改进战略,包括基于标签对一致性的质量检查机制.
• 引入了一个多解码器神经网络 (MDN) 用于与生成的伪标签进行训练的突出检测.
• 实施了一种代伪标签更新策略,以优化伪标签和检测模型.

主要成果:

• 拟议的方法有效地从类别注释中生成像素级伪标签.
• 质量检查策略成功地选择了高度可靠的伪标签.
• 多解码器网络和代优化提高了检测准确度.
• 对四个公共数据集的评估表明,与现有的基于类别注释的方法相比,性能优越.

结论:

• 开发的弱监督方法为检测突出物体的完全监督方法提供了可行的替代方案.
• 类别注释,当与有效的伪标签策略相结合时,可以产生具有竞争力的检测性能.
• 拟议的方法显著推进了弱监督突出物体检测领域.