摘要

目标检测是视觉理解领域中的一项具有挑战性的任务，尤其是在监督较弱的情况下更是如此。最近，一些有前景的深度神经网络方法在无需昂贵的人工注释的情况下处理该任务方面取得了进展。本文提出了一种级联网络的新架构，用于在这种条件下学习卷积神经网络（CNN）。我们介绍了两种此类架构，分别包含两个级联阶段或三个级联阶段，并且它们在一个端到端的训练管道中进行训练。这两种架构的第一阶段通过训练一个全卷积网络来提取最佳的类别特定区域建议。对于三阶段架构，中间阶段利用第一阶段输出的激活图提供对象分割。这两种架构的最后一阶段是一个卷积神经网络的部分，它对前一阶段（或多个阶段）提取的建议执行多实例学习。我们在PASCAL VOC 2007、2010、2012以及大规模对象数据集ILSVRC 2013、2014上进行的实验表明，在弱监督目标检测、分类和定位方面取得了改进。