PCL：弱监督目标检测中的提议聚类学习

弱监督目标检测（WSOD）仅使用图像级注释来训练目标检测器，在目标识别领域的重要性日益增加。本文提出了一种新颖的深度网络用于WSOD。与以往将目标检测问题转化为多实例学习（MIL）中的图像分类问题的网络不同，我们的策略通过迭代过程生成提案簇以学习更精细的实例分类器。同一簇内的提案在空间上相邻且与同一对象相关联，这防止了网络过度关注对象的部分而非整体。我们首先证明了可以根据提案簇直接为实例分配目标或背景标签以进行实例分类器的细化，然后证明了将每个簇视为一个小的新包比直接分配标签的方法产生更少的歧义。迭代实例分类器的细化在线实现，使用卷积神经网络中的多个流，其中第一个流是MIL网络，其余流则由前一个流监督进行实例分类器的细化。实验在PASCAL VOC、ImageNet检测和MS-COCO基准数据集上进行，结果表明我们的方法显著优于之前的最先进方法。