[论文解读] Weakly Supervised Object Boundaries
本文提出了一种弱监督对象特定边界检测方法，仅使用边界框标注即实现了最先进性能，无需昂贵的实例级边界标注。通过融合目标检测器、无监督分割方法和通用边界检测器，该方法生成高质量的弱监督信号，在Pascal VOC和SBD基准上表现优于完全监督方法。
State-of-the-art learning based boundary detection methods require extensive training data. Since labelling object boundaries is one of the most expensive types of annotations, there is a need to relax the requirement to carefully annotate images to make both the training more affordable and to extend the amount of training data. In this paper we propose a technique to generate weakly supervised annotations and show that bounding box annotations alone suffice to reach high-quality object boundaries without using any object-specific boundary annotations. With the proposed weak supervision techniques we achieve the top performance on the object boundary detection task, outperforming by a large margin the current fully supervised state-of-the-art methods.
研究动机与目标
- 为解决实例级对象边界标注的高昂成本问题，该成本远高于边界框标注。
- 探究是否可在无需任何类别特定边界标注的情况下学习到对象特定边界。
- 开发弱监督技术，利用边界框和通用边界检测器生成高质量的对象边界预测。
- 在最小监督条件下实现在标准边界检测基准上的最先进性能。
提出的方法
- 该方法通过结合目标检测器与无监督图像分割（如MCG、SeSe）以及通用边界检测器（如BSDS上的SE），生成弱边界标注。
- 通过交集操作（如SeSe ∩ BBs）将边界框检测结果与分割提议进行融合，以生成伪真实边界。
- 该方法采用两阶段框架：首先，目标检测器定位对象；其次，边界检测器在从检测和分割输出中衍生出的弱监督伪标签上进行训练。
- 在模型训练中，同时采用决策森林（SE）和深度卷积网络（HED），后者在分类数据集上进行预训练。
- 弱监督策略利用对象提议与边界响应之间的空间一致性，以优化边界预测。
- 最终模型在Pascal VOC、SBD和COCO基准上使用标准指标（mF、AP）进行评估，评估协议与先前工作保持一致。
实验结果
研究问题
- RQ1在训练过程中完全不使用实例级边界标注，能否准确检测到对象特定边界？
- RQ2仅使用边界框标注是否足以实现与完全监督方法相当或更优的边界检测性能？
- RQ3将目标检测器、无监督分割方法和通用边界检测器融合，能否生成可靠的弱监督信号？
- RQ4弱监督模型是否能在不重新训练的情况下泛化到未见过的对象类别和数据集？
主要发现
- 所提出的仅使用边界框标注的弱监督方法在Pascal VOC 2012边界检测基准上实现了最先进性能，超越了此前报告的完全监督结果。
- 在SBD基准上，最佳弱监督模型（Det.+HED with consistent S&G ∩ BBs）的平均F分数达到52，mAP为47，优于先前方法。
- 在VOC上使用弱监督训练的模型可良好泛化至COCO，无需在COCO上重新训练，性能即与完全监督的SE模型相当。
- 该方法通过消除多边形边界标注需求，显著降低了标注成本，同时保持或提升了检测质量。
- 定性结果表明，弱监督模型能有效抑制非对象边界，聚焦于相关对象实例，其表现接近完全监督方法。
- 该方法对噪声标注具有鲁棒性，即使在高噪声标注下性能下降也极小，验证了其实际可行性。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。