摘要
本文探讨了仅在训练阶段提供图像级监督的弱监督目标检测问题。以往的方法通常一次性使用整幅图像来训练检测模型，这容易导致模型因引入的假阳性样本而陷入次优解。与这些方法不同，我们提出了一种锯齿学习策略，旨在同时发现可靠的物体实例并防止模型过度拟合初始种子样本。为此，我们首先开发了一种名为平均能量累积分数（mean Energy Accumulation Scores, mEAS）的标准，用于自动测量和排序包含目标物体的图像的定位难度，并据此通过逐步增加难度的样本来训练检测器。通过这种方式，模型可以通过先在简单样本上进行训练，为后续处理更复杂样本做好准备，从而更高效地获得更强的检测能力。此外，我们还引入了一种新颖的卷积特征图掩码正则化策略，以避免对初始样本的过度拟合。这两个模块共同构成了锯齿学习过程，在此过程中，逐步学习努力发现可靠的物体实例，而掩码正则化则增加了正确找到物体实例的难度。我们在PASCAL VOC 2007数据集上实现了47.6%的平均精度均值（mAP），大幅超越了现有最先进方法的表现。