(单篇优先)网络出版时间:2019-07-02 15:42:11

深度卷积神经网络在目标检测任务上使用目标的全标注来训练网络参数,其检测准确率也得到了大幅度的提升.然而,获取目标的边界框(bounding-box)标注是一项耗时并且代价高的工作.此外,目标检测的实时性是制约其实用性的另一个重要问题.为了克服这两个问题,本文提出一种基于图像级标注的弱监督实时目标检测方法.该方法分为三个子模块:(1)首先应用分类网络和反向传递过程生成类别显著图,该显著图提供了目标在图像中的位置信息;(2)根据类别显著图生成目标的伪标注(pseudo-bounding-box);(3)最后将伪标注看作真实标注并优化实时目标检测网络的参数.不同于其他弱监督目标检测方法,本文方法无需目标候选集合获取过程,并且对于测试图像仅通过网络的前向传递过程就可以获取检测结果,因此极大地加快了检测的速率(实时性).此外,该方法简单易用;针对未知类别的目标检测,只需要训练目标类别的分类网络和检测网络.因此本框架具有较强的泛化能力,为解决弱监督实时检测问题提供了新的研究思路.在PASCAL VOC 2007数据集上的实验表明(1)本文方法在检测的准确率上取得了较好的提升;(2)并实现了弱监督条件下的实时检测.

弱监督; 实时目标检测; 显著图; 伪标注; 深度卷积神经网络;

10.16383/j.aas.c180789

自动化学报

Acta Automatica Sinica

ISSN:0254-4156

中文核心期刊

209131155K
在线咨询 用户反馈