弱监督目标检测

弱监督目标检测的解决方案

• 基于多示例学习的弱监 督目标检测算法

• 基于类激活图的弱监督目标检测算法

• 基于注意力机制的弱监督目标检测算法

• 基于伪标签的弱监督目标检测算法

弱监督目标检测主要面临的问题

• 定位的精度（主要指由于没有精确的标签导致定位框主要关注于特征的部位）

  discriminative region problem-显著区域问题

• 推理速度（SS，EB等先验框生成算法占用时间）

• 多实例问题（一张图片中一个类别存在多个目标时，往往只有一个目标可以被检测出来）

经典方法

MIL-based Methods

• WSDDN（开山之作）
• OICR（引入两个全连接层对目标框进行二次调整）
• SDCN（引入分割检测的机制与目标检测协同工作）
• ICMWSD（利用上下文信息随机丢弃目标框）

CAM-based Methods

• CAM（首次使用类别激活图来预测目标，缺点就是目标框大多只关注于特征部位）
• WCCN（将CAM，segmentation，MIL三种思想融为一体）
• ACoL（引入两个平行分类器，互补对抗学习解决显著区域问题）

针对显著性区域问题的一些解决办法

1. 上下文建模

2. 自训练算法

3. 级连网络

4. 边界框回归

5. 显著区域移除

6. 低层次特征图融合

7. 分割协作机制

8. 半监督向全监督迁移

针对多实例标签问题的一些解决办法

1. 根据节点之间的距离及其交并比

针对多多实例方法速度慢的一些解决办法（SS,EB）

1. 迁移学习的思想利用全监督生成伪标签
2. 在特征图上进行滑动窗口
3. 利用热力图来生成检测框

训练技巧

1. 从易到难
2. 低分数区域否定策略
3. 光滑标签损失函数优化策略

相关的数据集

• PASCAL VOC
• MSCOCO
• ILSVRC
• CUB-200

评价标准

• mAP (mean Average Precision)平均精准度

  这一项几乎所有目标检测都有

• CorLoc (Correct Localization)正确定位

  这一项我感觉应该是弱监督专门引入的

• Top Error 最高错误率

  imagenet分类里面就已经有了

各个数据集上弱监督学习的性能情况

• Pascal VOC
  • mAP 52.1% in CVPR’20
• MSCOCO
  • AP:11.4 AP@0.5 :24.3
• CUB-200-2011
  • 1-err cls，5-err cls： 24.6，7.7 | 1-err loc，5-err loc：42.54，34.97
• ILSVRC 2012
  • 1-err cls，5-err cls： 27.7，12.0 | 1-err loc，5-err loc：49.83，35.05

未来的发展方向

• Better Initial Proposals
• Better Positive Proposals
• Lightweight Network

Deep Learning for Weakly-Supervised Object Detection and Object Localization: A Survey

版权声明：本文为CSDN博主「Ivan's」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_26024067/article/details/121397636