摘要

近期，弱监督目标检测在目标识别领域具有重要意义。基于深度学习的弱监督检测器已经取得了许多令人鼓舞的成果。然而，与完全监督检测相比，以弱监督方式训练基于深度网络的检测器更具挑战性。本文将弱监督检测问题表述为多示例学习（Multiple Instance Learning, MIL）问题，在该框架中，实例分类器（即目标检测器）作为隐藏节点被嵌入到网络中。我们提出了一种新颖的在线实例分类器精炼算法，将MIL和实例分类器精炼过程整合到单一的深度网络中，并仅使用图像级别的监督信息（即不包含目标位置信息）进行端到端的训练。具体而言，从弱监督推断出的实例标签会被传播至其空间上重叠的实例，从而在线精炼实例分类器。这一迭代式的实例分类器精炼过程通过深度网络中的多个流实现，每个流负责监督其后续流。我们在具有挑战性的PASCAL VOC 2007和2012基准数据集上进行了弱监督目标检测实验。在VOC 2007数据集上，我们获得了47%的平均精度均值（mAP），显著优于此前的最佳方法。