Generative Adversarial Learning Towards Fast Weakly Supervised Detection(CVPR2018)阅读笔记

 弱监督目标检测相对于一般的目标检测任务来说，训练样本不需要实例级别的标注，只需要图片级别的标注，即告诉图片中有什么而不需标注位置信息，这种标注图片容易获取，能节省标注时间及精力。现有的大部分方法在进行若监督目标检测任务时，采用多实例学习方法和two-stage的跟踪框架，检测速度不如one-stage的检测方法，如SSD，YOLO等。本文提出了一种新颖的生成式对抗学习方法，在训练阶段，使用一个one-stage的检测器从图片中提取候选区域， 同时使用一个代理器，根据图片及图片级别的标注，估计真值的分布，将检测器和代理器的结果送到一个判别器中去判断辨别，以此引导检测器的学习。同时，使用了一个结构相似性的损失与对抗损失一起去训练生成式对抗网络。在测试阶段，只使用one-stage的检测器，从而达到了高效快速的检测性能。作者在PASCOL VOC2007，2010，2012数据集上做了充分实验， 在大部分类别上获得了较好的性能。

 算法框架：

Loss:

 

转载于:https://www.cnblogs.com/yangruicvpr/p/11121637.html