摘要
在这项工作中，我们提出了对抗互补学习（Adversarial Complementary Learning, ACoL），以在弱监督条件下自动定位具有语义意义的完整对象。首先，我们从数学上证明了可以通过直接选择最后一层卷积层的类别特定特征图来获得类别定位图，这为识别对象区域提供了一种简单的方法。接着，我们提出了一种简单的网络架构，包括两个并行分类器用于对象定位。具体而言，我们在前向传播过程中利用一个分类分支动态地定位一些判别性的对象区域。尽管该分类器通常对目标对象的稀疏部分敏感，但通过从特征图中擦除已发现的区域，它可以驱动另一个分类器发现新的和互补的对象区域。通过这种对抗学习机制，两个并行分类器被迫利用互补的对象区域进行分类，并最终共同生成完整的对象定位。ACoL的主要优势有两点：1）它可以端到端地训练；2）动态擦除使得另一个分类器能够更有效地发现互补的对象区域。我们在多种实验中展示了我们的ACoL方法的优势。特别是在ILSVRC数据集上的Top-1定位错误率为45.14%，这是目前最新的最佳结果。