Online progressive instance-balanced sampling for weakly supervised object detection

要約

マルチインスタンス検出ネットワーク（MIDN）に基づいて、多くの作業が弱く監視されたオブジェクト検出（WSOD）に多大な努力を払ってきました。
ただし、ほとんどの方法では、トレーニングフェーズ中に各画像に圧倒的なネガティブインスタンスが存在するという事実を無視しています。これにより、トレーニングが誤解され、ネットワークが極小値に陥ります。
この問題に取り組むために、ハードサンプリングとソフトサンプリングに基づくオンラインプログレッシブインスタンスバランスサンプリング（OPIS）アルゴリズムがこの論文で提案されています。
このアルゴリズムには、プログレッシブインスタンスバランス（PIB）モジュールとプログレッシブインスタンスリウェイト（PIR）モジュールの2つのモジュールが含まれています。
ランダムサンプリングとIoUバランスサンプリングを組み合わせたPIBモジュールは、ポジティブインスタンスとネガティブインスタンスのバランスを取りながら、ハードネガティブインスタンスを段階的にマイニングします。
PIRモジュールはさらに、隣接する改良の分類子スコアとIoUを利用して、ネットワークをポジティブインスタンスに集中させるために、ポジティブインスタンスの重みを再重み付けします。
PASCAL VOC 2007および2012データセットに関する広範な実験結果は、提案された方法がベースラインを大幅に改善できることを示しています。これは、多くの既存の最先端の結果にも匹敵します。
さらに、ベースラインと比較して、提案された方法は追加のネットワークパラメータを必要とせず、補足トレーニングのオーバーヘッドは小さく、インスタンス分類器の改良パラダイムに基づいて他の方法に簡単に統合できます。

要約(オリジナル)

Based on multiple instance detection networks (MIDN), plenty of works have contributed tremendous efforts to weakly supervised object detection (WSOD). However, most methods neglect the fact that the overwhelming negative instances exist in each image during the training phase, which would mislead the training and make the network fall into local minima. To tackle this problem, an online progressive instance-balanced sampling (OPIS) algorithm based on hard sampling and soft sampling is proposed in this paper. The algorithm includes two modules: a progressive instance balance (PIB) module and a progressive instance reweighting (PIR) module. The PIB module combining random sampling and IoU-balanced sampling progressively mines hard negative instances while balancing positive instances and negative instances. The PIR module further utilizes classifier scores and IoUs of adjacent refinements to reweight the weights of positive instances for making the network focus on positive instances. Extensive experimental results on the PASCAL VOC 2007 and 2012 datasets demonstrate the proposed method can significantly improve the baseline, which is also comparable to many existing state-of-the-art results. In addition, compared to the baseline, the proposed method requires no extra network parameters and the supplementary training overheads are small, which could be easily integrated into other methods based on the instance classifier refinement paradigm.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google