[论文解读] Object Detection as a Positive-Unlabeled Problem

Yuewei Yang, Kevin J Liang+1 more|arXiv (Cornell University)|Feb 11, 2020

Advanced Neural Network Applications参考文献 18被引用 17

一句话总结

本文提出将目标检测问题视为正样本-未标记样本（PU）学习问题，以解决真实世界数据集中因标注不完整（缺失目标边界框）而导致的标准正样本-负样本（PN）交叉熵损失产生误导性训练信号的问题。通过重新表述分类任务以避免假设未标记区域为负样本，作者提出一种PU损失，能够动态估计正样本类别的先验概率，在PASCAL VOC、MS COCO、Visual Genome和DeepLesion数据集上，面对不同程度的标签缺失，均实现了稳定性能提升。

ABSTRACT

As with other deep learning methods, label quality is important for learning modern convolutional object detectors. However, the potentially large number and wide diversity of object instances that can be found in complex image scenes makes constituting complete annotations a challenging task; objects missing annotations can be observed in a variety of popular object detection datasets. These missing annotations can be problematic, as the standard cross-entropy loss employed to train object detection models treats classification as a positive-negative (PN) problem: unlabeled regions are implicitly assumed to be background. As such, any object missing a bounding box results in a confusing learning signal, the effects of which we observe empirically. To remedy this, we propose treating object detection as a positive-unlabeled (PU) problem, which removes the assumption that unlabeled regions must be negative. We demonstrate that our proposed PU classification loss outperforms the standard PN loss on PASCAL VOC and MS COCO across a range of label missingness, as well as on Visual Genome and DeepLesion with full labels.

研究动机与目标

• 为解决真实世界数据集中不完整的目标标注问题，该问题在使用标准正样本-负样本（PN）分类时会导致误导性学习信号。
• 认识到缺失标注并不意味着对象不存在，从而挑战PN假设中将未标记区域视为背景的设定。
• 提出一种用于目标检测的正样本-未标记样本（PU）学习框架，以更好地建模部分标注数据集中的真实数据分布。
• 证明PU学习可在具有不同程度标签缺失的多样化数据集上提升检测性能。
• 将PU学习的适用范围从二分类扩展至多类别检测，并探讨其在分割和动作检测中的潜在应用。

提出的方法

• 通过去除未标记区域为负样本的假设，将目标检测重新表述为PU学习问题，将未标记区域视为可能为正样本或未知样本。
• 引入一种PU分类损失，利用训练过程中正样本预测的运行平均值，动态估计正样本类别的先验概率。
• 将Faster R-CNN的区域建议网络（RPN）中的标准交叉熵损失修改为使用PU目标，仅对模型架构进行最小改动。
• 通过模型在正样本上的预测值的移动平均来估计正样本类别的先验概率π，实现在无需额外监督的情况下端到端训练。
• 仅在RPN的二分类物体性分类器中应用PU损失，而保持检测头其余部分不变。
• 通过为每类对象估计多个类别先验概率π_c，将该方法扩展至多类别检测，但此部分留待未来工作。

实验结果

研究问题

• RQ1 通过将不完整标注视为PU学习问题而非PN问题，是否能够提升目标检测性能？
• RQ2 在多样化数据集上，不同程度的标签缺失下，PU损失的表现如何？
• RQ3 在已知标注不完整的现实世界数据集中，PU目标是否优于标准PN交叉熵损失？
• RQ4 PU方法是否能泛化至医学影像数据集，其中标注成本高且不一致？
• RQ5 通过运行平均预测值动态估计正样本类别的先验概率，对模型收敛性和检测准确率有何影响？

主要发现

• 在PASCAL VOC和MS COCO数据集上，PU损失在所有测试的标签缺失水平下均优于标准PN交叉熵损失，mAP指标持续提升。
• 在Visual Genome和DeepLesion——这两组标注难度高且依赖专家标注的数据集上，PU目标相比PN基线实现了显著性能提升。
• 在DeepLesion数据集中，从PN目标切换到PU目标后，无论每幅图像允许的假阳性数量如何，病灶检测的敏感度和FROC评分均得到提升。
• 即使在训练数据中存在高达30%的标注缺失时，所提出的PU损失仍能实现更优性能，表明其对标签不完整具有强鲁棒性。
• 通过预测值的运行平均动态估计正样本类别的先验概率，可在极少架构改动下实现有效的PU学习。
• PU学习带来的性能增益在多个数据集中保持一致，表明在标签不完整时，标准目标检测器中PN假设存在局限性。