PCL: التعلم العنقودي لل مقترحات للكشف عن الأشياء تحت الإشراف الضعيف

الكشف عن الأشياء تحت الإشراف الضعيف (WSOD)، باستخدام فقط التسميات على مستوى الصورة لتدريب الكاشفات، يكتسب أهمية متزايدة في مجال التعرف على الأشياء. في هذا البحث، نقترح شبكة عميقة جديدة لـ WSOD. بخلاف الشبكات السابقة التي تنقل مشكلة الكشف عن الأشياء إلى مشكلة تصنيف الصور باستخدام تعلم المثال المتعدد (MIL)، فإن استراتيجيتنا تولد مجموعات مقترحات لتعلم تصنيفات النماذج بدقة من خلال عملية تكرارية. المقترحات داخل نفس المجموعة تكون متجاورة فضائيًا ومرتبطة بنفس الشيء. هذا يمنع الشبكة من التركيز بشكل كبير على أجزاء من الأشياء بدلاً من الأشياء بأكملها. أولاً، نوضح أن النماذج يمكن تعيينها مباشرة بالعلامات الخاصة بالأشياء أو الخلفية بناءً على مجموعات المقترحات لتكرار تصنيف النماذج. ثم نوضح أن معاملة كل مجموعة كحقيبة صغيرة جديدة تؤدي إلى أقل الغموض مقارنة بطريقة التعيين المباشر للعلامات. يتم تنفيذ تكرار تصنيف النموذج عبر الإنترنت باستخدام عدة مسارات في شبكات العصبونات التلافيفية، حيث يكون الأول منها شبكة MIL والأخرون لتصنيف النماذج الذي يتم إشرافه بواسطة السابق له. تم إجراء التجارب على مقاييس PASCAL VOC و ImageNet detection و MS-COCO لـ WSOD. أظهرت النتائج أن طريقتنا تتقدم بشكل كبير على أفضل ما كان معروفًا سابقًا في هذا المجال.