【论文笔记】Multiple Instance Active Learning for Object Detection(CVPR 2021)

论文：https://openaccess.thecvf.com/content/CVPR2021/papers/Yuan_Multiple_Instance_Active_Learning_for_Object_Detection_CVPR_2021_paper.pdf
代码：https://github.com/yuantn/MI-AOD

一、介绍

目前的主动目标检测主要通过简单地将示例或像素的不确定性综合或平均作为图像的不确定性，忽略了目标检测中负示例产生的不平衡，导致背景中存在大量噪声高的实例干扰了学习（如图1(a)所示）。本文针对以上问题，提出了一种准确评价图像和实例不确定性的方法（如图1(b)所示）。该方法用差异学习（Discrepancy Learning）和多示例学习（MIL）的方法学习和重加权示例的不确定性，来从未标注集中筛选出信息量大的图像。

二、方法

2.1 示例不确定性学习

为了用在已标注集上训练的检测器来评估未标注示例的不确定性，MI-AOD首先定义了一个示例不确定性学习模块（IUL），利用在检测网络最终输出两个对抗性的示例分类器f1、f2来学习未标注示例的不确定性。通过优化以下损失训练目标检测任务：

2.2 示例不确定性重加权

通过多示例学习滤除噪声高的示例，最终缩小示例级和图像级不确定性之间的差距。将每个未标注的图像视为一个示例包，添加了一个参数为 的多示例学习分类器 。在同一图像中的多实例分类得分定义为：

在以上示例不确定性学习（IUL）和示例不确定性重新加权（IUR）的步骤之后，通过选择具有最高示例不确定性的图像作为信息量大的图像标注，得到本轮次主动学习的选择。

三、实验

将PASCAL VOC 2007 和 2012 数据集的训练集和验证集用作训练集，将 VOC 2007 数据集的测试集。使用RetinaNet和SSD作为基础的检测器。在两个数据集上的结果均优于其他主动学习方法，在PASCAL VOC 数据集上仅用了20％的样本达到了 72.27％ 的MAP，达到了使用全部训练样本的性能的 93.5%。

四、结论

本文提出了多实例主动目标检测MI-AOD，通过以多实例学习方式将未标记的图像视为实例包，并重新加权来进一步估计图像的不确定性。通过不确定性学习和重加权抑制噪声实例，从而选择了信息丰富的图像用于检测器训练。在目标检测任务数据集上的实验证明了MI-AOD算法的有效性，为主动目标检测设定了基线。