本文主要是介绍目标检测——day51 Weakly Supervised Object Detection Using Proposal- and Semantic-Level Relationships,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
使用建议级和语义级关系的弱监督对象检测方法
- 1 INTRODUCTION
- 4 THE PROPOSED APPROACH
- 4.1 The Overall Framework
- 4.3 Multi-Label Reasoning Branch
- 5 EXPERIMENTS
1 INTRODUCTION
Fig. 1,通过利用丰富的上下文关系,强推理能力可以弥补在弱监督下学习时具体监督信息的缺乏,提高学习过程的鲁棒性
4 THE PROPOSED APPROACH
4.1 The Overall Framework
Fig. 3,
-
给定一个训练图像,首先用Grad-CAM 图像分类网络,从中提取object proposals,然后将它们与选择性搜索算法提取的相结合。
-
通过基于VGG-16的深度特征提取模型,提取特征映射,然后进行池化操作:FRAME CONTEXT ROI POOLING
-
Location reasoning branch将提取的proposal features分别映射到定位得分向量
-
classification branch映射到分类得分向量中
-
Multi-label reasoning branch 节4.3
-
Online instance classifier refinement branch利用多标签推理分支生成的伪ground-truth学习更强的目标检测器。
4.3 Multi-Label Reasoning Branch
Fig. 2 left,以往的弱监督目标检测方法通常直接执行乘加运算,忽略了探索共出现的对象类别之间的关系,从而得到不准确的图像级得分向量。
- 为了解决这个问题,引入了一种语义级关系来推理每个训练图像中出现的所有可能的对象类别.
5 EXPERIMENTS
Fig. 4,该方法在帕斯卡尔VOC 2007测试集、帕斯卡尔VOC 2012测试集和COCO 2014验证集上的检测结果实例,其中黄色框为地面真实框,绿色框为预测结果。请注意,对于帕斯卡VOC 2012测试集的例子,地面真相盒是不可获得的。
Fig. 5,MELM、PCL和所提方法的失败案例的一些例子
Fig. 6,ABLATION STUDY
这篇关于目标检测——day51 Weakly Supervised Object Detection Using Proposal- and Semantic-Level Relationships的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!