摘要
弱监督目标检测（Weakly Supervised Object Detection, WSOD）任务仅使用图像级标注信息来训练目标检测模型。由于无需耗时的实例级标注，该任务近年来受到越来越多的关注。以往的弱监督目标检测方法通常通过迭代更新检测器与伪标签，或采用基于特征的掩码剔除（mask-out）策略。然而，这些方法生成的候选框（proposal）往往不完整且不够准确，通常仅包含物体最具判别性的局部区域，或包含过多背景区域。为解决上述问题，本文在弱监督目标检测网络中引入了边界框回归模块（box regression module），并提出一种候选框评分网络（Proposal Scoring Network, PSNet）对其进行监督。边界框回归模块用于优化候选框，提升其与真实标注框（ground truth）之间的交并比（IoU）。PSNet则对经过边界框回归网络输出的候选框进行打分，并利用该得分反馈优化边界框回归模块，形成闭环优化机制。此外，本文采用PRS（Proposal Refinement Strategy）算法生成更精确的伪标签，用于训练边界框回归模块，从而进一步提升检测性能。通过上述方法，我们在PASCAL VOC 2007和2012数据集上训练检测器，取得了显著优于现有方法的检测效果。