Tiefes Selbstgelehrtes Lernen für schwach überwachte Objektlokalisation

Die meisten existierenden Ansätze zur schwach überwachten Lokalisierung (WSL) lernen Detektoren, indem sie positive Begrenzungsrahmen anhand von mit bildbasierten Annotationen gelernten Merkmalen identifizieren. Diese Merkmale enthalten jedoch keine räumliche Ortsinformation und bieten in der Regel ungenaue positive Beispiele für die Detektortraining. Um dieses Problem zu bewältigen, schlagen wir einen tiefen Ansatz des selbstgelehrten Lernens vor, der den Detektor dazu bringt, objektbezogene Merkmale zu erlernen, die geeignet sind, präzise positive Beispiele zu gewinnen. Anschließend wird der Detektor auf dieser Grundlage neu trainiert. Dadurch verbessert sich der Detektor schrittweise in seiner Fähigkeit zur Objekterkennung und kann informiertere positive Beispiele lokalisieren. Um ein solches selbstgelehrtes Lernen umzusetzen, schlagen wir eine Methode zur Gewinnung von Seed-Samples vor, die durch Bild-zu-Objekt-Übertragung und Entdeckung dichter Untergraphen verlässliche positive Beispiele für die Initialisierung des Detektors findet. Des Weiteren wird ein Online-Ansatz zur selektiven Gewinnung unterstützender Samples vorgeschlagen, um dynamisch die sichersten präzisen positiven Beispiele auszuwählen und den Detektor in einem gegenseitig stärkenden Prozess zu trainieren. Um das Risiko einer Fehloptimierung infolge von Überanpassung zu minimieren, schlagen wir eine neue relative Verbesserung der vorhergesagten CNN-Werte vor, um den Prozess des selbstgelehrten Lernens zu steuern. Ausführliche Experimente auf PASCAL 2007 und 2012 zeigen, dass unser Ansatz den Stand der Technik übertreffen kann und seine Effektivität stark bestätigt wird.请注意，这里将“self-taught learning”翻译为“selbstgelehrtes Lernen”，这是德语中较为常见的对应翻译。其他专业术语也尽量采用了通用的德语译法。如果有特定术语需要进一步讨论或确认，请告知。