文章目录
论文笔记(五) C-MIL: Continuation Multiple Instance Learning for Weakly Supervised Object Detection
这是cvpr2019的oral,还是一篇基于弱监督的目标检测论文。
关于弱监督目标检测的定义在上一篇笔记中已经讲过了 传送门 。与上一篇论文中要缓解的问题一样,即弱监督的损失局部极小问题,但是这篇论文的处理方法更为理论化,而不是对模型架构进行调整。
introduction
问题定义
B B B表示图片的集合, B i B_i Bi表示第 i i i张图片。 y = 1 , − 1 y={1, -1} y=1,−1, y i ∈ y y_i\in y yi∈y表示 B i B_i Bi中是否包含样本。 j ∈ 1 , 2 , . . . , N j\in {1,2,...,N} j∈1,2,...,N,N表示目标的数量 B i , j B_{i,j} Bi,j和 y i , j y_{i,j} yi,j表示图片 B i B_i Bi中的目标和目标的标签, w w w表示网络所需要训练的参数。
局部极小问题
在上一篇论文中是从模型架构的角度来缓解这个问题,所以一笔带过了。而在这篇论文中,作者是从优化的角度来缓解此问题。
在MIL网络中,一般分为两部分,即一个选择器和一个检测器,选择器负责将所有候选框分为正样本和负样本,是一个二分类问题,损失函数采用的是hinge loss:
F f ( B , w ) = max ( 0 , 1 − y i max i f ( B i , j , w f ) ) F_f(B,w)=\max(0, 1-y_i\max_if(B_{i,j},w_f)) Ff(B,w)=max(0,1−