特征融合与分割引导的弱监督目标检测

基于卷积神经网络（CNNs）的区域建议生成方法（PRN）是通过实例级注释进行训练所得,也是当前全监督目标检测（FSOD）的重要组成部分。由于实例级注释耗时耗力,而图像级注释相比之下更容易收集,因此仅使用图像级注释的弱监督目标检测（WSOD）引起了众多研究者的关注。当前,WSOD依赖于诸如选择性搜索之类标准的区域建议生成方法,这些方法容易生成大量有噪的建议框,导致其存在无法拟合真实的目标对象。鉴于此,基于卷积特征多层融合以及分割引导策略获取高质量建议框,具体而言,利用卷积网络深层信息进行多层融合,以及边缘信息获取初始的候选建议框,然后通过弱监督语义分割的一致性准则,将分割映射分为水平和垂直两个变量得到目标一致性表示,从而提取高质量的建议框。在PASCAI VOC2007数据集上的实验结果表明,该方法在分类和定位检测中展现了优秀的性能,平均精度（mAP）和定位精度（CorLoc）准确率分别达51.0%、71.2%。