Min-Entropy Latentes Modell für schwach überwachtes Objekt-Detection

Die schwach überwachte Objekterkennung ist eine herausfordernde Aufgabe, wenn eine Bildkategorisierung als Aufsicht bereitgestellt wird, aber gleichzeitig die Objektspositionen und Objektdetektoren erlernt werden müssen. Die Inkonsistenz zwischen der schwachen Überwachung und den Lernzielen führt zu Zufälligkeiten bei den Objektspositionen und zu Mehrdeutigkeiten bei den Detektoren. In diesem Papier wird ein Min-Entropy latentes Modell (MELM) für die schwach überwachte Objekterkennung vorgeschlagen. Min-Entropy wird als Metrik verwendet, um die Zufälligkeit der Objekplatzierung während des Lernens zu messen und gleichzeitig als Modell zur Erlernung der Objeklocations zu dienen. Es zielt darauf ab, in erster Linie die Varianz positiver Instanzen zu reduzieren und die Mehrdeutigkeit der Detektoren zu verringern. MELM wird als zwei Sub-Modelle eingesetzt, die jeweils Objekte entdecken und lokalisieren, indem sie die globale und lokale Entropie minimieren. MELM wird mit dem Feature-Learning vereinheitlicht und mit einem rekursiven Lernalgorithmus optimiert, der schrittweise die schwache Überwachung auf die Objeklocations überträgt. Experimente zeigen, dass MELM die Leistung der schwach überwachten Erkennung, schwach überwachten Lokalisierung und Bildklassifizierung im Vergleich zu den neuesten Ansätzen erheblich verbessert.