C-MIL: 弱教師付き物体検出のための連続多次元学習

弱教師付き物体検出（Weakly Supervised Object Detection: WSOD）は、画像カテゴリの監督情報が与えられるが、同時に物体の位置と検出器を学習する必要があるという課題を抱えています。多くのWSOD手法は複数インスタンス学習（Multiple Instance Learning: MIL）を採用しており、非凸損失関数を使用していますが、訓練中に局所最小値（物体部位の誤った位置特定）に陥りやすく、全体的な物体範囲を見逃す傾向があります。本論文では、MILに連続最適化手法を導入し、連続複数インスタンス学習（Continuation Multiple Instance Learning: C-MIL）を提案します。この手法は非凸性問題を体系的に緩和することを目指しています。我々はインスタンスを空間的に関連するサブセットとクラスに関連するサブセットに分割し、これらのサブセット内で定義される一連の滑らかな損失関数で元の損失関数を近似します。滑らかな損失関数の最適化により、訓練プロセスが早期に局所最小値に陥るのを防ぎ、安定した意味的極端領域（Stable Semantic Extremal Regions: SSERs）の発見を容易にします。SSERsは全体的な物体範囲を示します。PASCAL VOC 2007および2012データセットにおいて、C-MILは大幅なマージンで弱教師付き物体検出と弱教師付き物体位置特定における最先端技術を超える性能を達成しました。