文章目录[隐藏]
一、监督学习分类
根据数据集的标注情况，分为：监督学习、弱监督学习、弱半监督学习和半监督学习。
监督学习：数据集为带实例级标注的标签，包含坐标和类别信息
弱监督学习：数据集仅带有数据类别的标签，不包含坐标信息
弱半监督学习：数据集中包含少量实例级标注图像，大量数据分类级标注图像，模型期望通过大规模的弱标注数据提升模型的检测能力。
半监督学习：数据集中包含少量实例级标注图像，大量未标注图像，模型期望通过大规模的未标注数据提升模型的检测能力。
二、弱监督目标检测（Weakly Supervised Object Detection,WSOD）
(1)主要思想：
目的：在仅有图像类别的标注情况下，训练一个目标检测器
过程：将图像和proposals丢入目标检测器，训练器根据图像的类别标签来训练（这里的训练loss一般是使用分类的交叉熵，相当于训练一个对proposals分类的分类器）；测试时，给定一张图片，目标检测器需要输出图片中的物体的bounding box和对应的类别。
训练步骤：1）产生proposals
2）提取proposals的特征表示
3）使用Multiple instance learning(MIL)给proposals分类
注：可对以上三个步骤进行优化来提升WSOD性能
(2)三大挑战
局部聚焦问题：
由于缺少instance级别的约束，使用class级别的约束造成WSOD仅关注局部区域，因为分类仅需要局部信息，而检测的目标是能够精确定位出物体的最大外界矩阵。
实例却分模棱两可，不容易分辨：
1）丢失实例，由于物体尺度太小与周边环境对比度太小而被忽略
2）一个bounding box框住多个物体，由于物体靠太近，且表现极其相似
大量噪音：
由于没有instances的矩阵标注信息，现阶段的方法都采用大量的object proposals来保证召回率，这样会导致proposals中带大量的噪音（物体的一小部分、背景等），而且训练不稳定还吃GPU。
(3)分类:
基于优化目标函数，我们大致将目前的弱监督目标检测分为两大类：
1）object discovery:
这类方法的目标函数是传统的基于MIL的分类loss。
代表作：Weakly supervised deep detection networks(MIL与CNN结合的开山之作).
2）instance refinement:
此类方法的目标函数除了传统的基于MIL的分类loss，还有使用MIL初步对proposals分类后送到后续的网络做bounding box回归的loss。
代表作：Towards precise End-to-end weakly supervised object detection network.
(4)必读经典论文：
1）Bilen的Weakly supervised deep detection networks
2）Peng Tang的Multiple Instance Detection network with online instance classifier refinement
3）Ke Yang的Towards precise End-to-end Weakly supervised object detection network
三、半监督目标检测（semi-supervised object detection, SSOD）
核心：
充分利用大量未标注、多样性的数据提升模型在测试集上的性能
目前SSOD的两个方向：
1）一致性学习：
利用两个深度卷积神经网络学习同一张unlabeled图像不同干扰(eg水平翻转、不同的对比度、亮度等)之间的一致性，充分利用unlabeled data的信息。
2）伪标签：
利用在labeled data上学习的预训练模型对unlabeled data进行推理，经过NMS后减少大量冗余框后，利用一个阈值去挑选伪标签，最后利用伪标签训练模型。
相关论文：
1)Consistency-based Semi-supervised learning for object detection
2)A Simple Semi-supervised learning Framework for object detection
3)instance-teaching: An End-to-end Semi-supervised object detection Framework
4)Data-Uncertainty Guided Multi-Phase learning for Semi-supervised object detection
5)Unbiased Teacher for Semi-supervised object detection
6)Interactive Self-Training with Mean Teacher for Semi-supervised object detection
版权声明：本文为CSDN博主「易水潇潇666」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_40373651/article/details/122395288
暂无评论