论文笔记（七）泛读：Weakly Supervised Region Proposal Network and Object Detection

最新推荐文章于 2022-10-18 17:11:18 发布

lzrrrrr

最新推荐文章于 2022-10-18 17:11:18 发布

阅读量1.5k

点赞数 1

分类专栏：论文笔记系列目标检测文章标签：计算机视觉深度学习

本文链接：https://blog.youkuaiyun.com/lzr_ps/article/details/104112857

版权

本文详细解读了CVPR2018一篇关于弱监督目标检测的论文，重点介绍了提出的区域提案网络（包括候选框粗糙生成和微调阶段），以及如何利用多实例学习网络（OICR）进行弱监督检测。实验在PASCAL VOC2007数据集上取得了优秀的CorLoc和mAP结果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

文章目录

论文笔记（七）泛读：Weakly Supervised Region Proposal Network and Object Detection

论文笔记（七）泛读：Weakly Supervised Region Proposal Network and Object Detection

--------------------分割线--------------------------------------
新年第一弹！这是CVPR2018的一篇弱监督目标检测的文章，主要贡献在于提出了一种区域候选网络很适合WSOD的候选框生成，并且实验结果达到了SOTA，而不同于之前的网络直接采用SS或者Eage Box方法来得到一大堆候选框尽可能的穷举所有的可能位置。
--------------------分割线--------------------------------------

method

在这里插入图片描述如上图所示，该区域候选网络包括两部分1.候选框粗糙生成(CPG)2.候选框微调(PR)，然后通过第二阶段得到的候选框进行多实例学习网络(OICR)。

候选框粗糙生成

这一阶段的灵感来自于CNN存在隐藏的位置信息，
在这里插入图片描述如图所示，这是VGG16在ImageNet分类数据集上的卷积层响应图（就是特征图的所有通道上的平均值），可以看到，前面几层的卷积能提取到一些低级的视觉特征，后面的几层则更聚焦于一些语义信息。因此，我们首先将响应映射图调整为原始图像大小，然后将第二到第四个conv层的响应映射图融合起来得到fusion层。然后使用Edge Boxes（EB）来评估初始提案P0的客观评分，以计算每个初始提案中存在的边缘数量。一般来说，背景部分的边缘数量是比较小的，所以我们根据此评分来筛选出前N1个候选框得到第一阶段的候选框粗生成.。