High-Quality Proposals for Weakly Supervised Object Detection
IEEE高级会员 2020
一。简介
目的：
为了更好地生成proposals与选择proposals。
出发点：
（1）通过Selective Search方法得到的边界框并不都能很好地包围目标物体，下图中黄色为GT-Boxes。
（2）由于没有关于给定目标类中有多少对象存在于每个图像中的标注信息，OICR方法使用的是选择proposals中得分最高的proposal及与其IoU较大的proposals为正proposals的方法。这忽略了一张图片中可能有同一类别的多个物体的存在。这会忽略有价值的正proposals（正实例），并将正实例视为负实例。如下图所示，绿色为选择的正proposals，红色为选择的负proposals。
创新点：
（1）对于proposals生成：将Selective Search与Grad-CAM结合以生成更多与GT-boxes的IoU更大的proposals，可以更好的包围目标，优于通过贪婪搜索得到的proposals。
（2）对于proposals选择：对于每个物体的类别，我们选择尽可能多的置信度高的正proposals，同时只选择特定类的硬负面proposals，通过增加它们的损失权重，将训练集中在更具歧视性的负面proposals上，这样可以使训练更加有效。
二。方法
网络架构。基于最先进的OICR框架实现了我们的方法，引入了两个重要模块，包括建议生成和建议选择。
