弱监督检测文章汇总分析1

文章1：CVPR 2018：基于域适应弱监督学习的目标检测

知乎上的解读：https://zhuanlan.zhihu.com/p/41126114?utm_source=com.tencent.androidqqmail&utm_medium=social&utm_oi=891423460314726400

简介：本文是东京大学发表于 CVPR 2018 的工作，论文提出了基于域适应的弱监督学习策略，在源域拥有充足的实例级标注的数据，但目标域仅有少量图像级标注的数据的情况下，尽可能准确地实现对目标域数据的物体检测。

这篇文章不是一般的弱监督检测，因为它在源域提供了目标检测的标注。它在域适应的基础上增加了目标域的弱标签。、

论文：http://openaccess.thecvf.com/content_cvpr_2018/papers/Inoue_Cross-Domain_Weakly-Supervised_Object_CVPR_2018_paper.pdf

code：https://github.com/naoto0804/cross-domain-detection

提出的方法：

域迁移（DT）

正如前面所提到的，本文主要解决的问题是目标域和源域分布不同的目标检测问题，而这部分旨在通过变换将源域数据分布变换为目标域分布，本文作者使用的是 CycleGAN [1] 来实现这种变换。

伪标记（PL）

对于只用图像级标注（即每个图像上包含哪几种类别）的目标域数据集，我们需要获取其伪实例级标注。首先，对于目标域数据中的每一幅图像 x ，使用基于源域训练的模型得到输出 d=(p,b,c) ，其中 b 是得到的 bounding box， c 是得到的类别， p 是属于该类的概率。根据这个结果，对于图像中所包含的每个类别，通过选取 top-1 概率的结果来作为目标图像的 bounding box，从而来实现对目标图像的伪标注。