摘要
大多数现有的弱监督定位（WSL）方法通过基于图像级监督学习到的特征来寻找正样本边界框，从而训练检测器。然而，这些特征通常不包含空间位置相关信息，因此为训练检测器提供的正样本质量较差。为了解决这一问题，我们提出了一种深度自教学方法，使检测器能够学习到可靠的对象级特征，以获取紧密的正样本，并在此基础上重新训练自身。因此，检测器逐步提高其检测能力，并定位出更具信息量的正样本。为了实现这种自教学方法，我们提出了一种通过图像到对象转换和密集子图发现来获取可靠正样本的种子样本获取方法，用于初始化检测器。此外，我们还提出了一种在线支持样本收集方案，动态选择最可信的紧密正样本，并以相互增强的方式训练检测器。为了避免因过拟合而导致检测器陷入较差的局部最优解，我们提出了一种新的预测CNN分数的相对改进方法来指导自教学过程。在PASCAL 2007和2012数据集上的大量实验表明，我们的方法优于现有最先进的方法，充分验证了其有效性。