要約
既存の大部分の弱教師あり位置特定（Weakly Supervised Localization: WSL）手法は、画像レベルの教師あり学習によって得られた特徴量に基づいて正例のバウンディングボックスを見つけることで検出器を学習します。しかし、これらの特徴量には空間的な位置情報が含まれていないため、通常は検出器の訓練に使用される正例サンプルの品質が低くなります。この問題を克服するために、我々は深層自己教授学習アプローチを提案します。このアプローチでは、検出器がオブジェクトレベルの特徴量を確実に学び、高精度な正例サンプルを得ることで初期化され、その後それらに基づいて再学習を行います。その結果、検出器は徐々に検出能力を向上させ、より情報量の多い正例サンプルを特定することができます。このような自己教授学習を実現するためには、画像からオブジェクトへの転送と密集部分グラフ探索によるシードサンプル獲得方法を提案し、検出器の初期化に使用できる信頼性のある正例サンプルを見つけます。さらに、オンラインでの支援サンプル収集スキームを提案し、最も確信度が高い高精度な正例サンプルを選択して相互強化的な方法で検出器を訓練します。過学習により不良な最適解に陥るのを防ぐために、予測されたCNNスコアの相対的な改善度合いを使用した新しいガイドメソッドも提案しています。PASCAL 2007および2012データセットにおける広範な実験結果は、我々の手法が最先端技術を超える性能を示しており、その有効性が強く確認されています。