Modelo Latente de Mínima Entropia para Detecção de Objetos Fracamente Supervisionada

A detecção de objetos fracamente supervisionada é uma tarefa desafiadora quando fornecida com supervisão de categoria de imagem, mas é necessário aprender, ao mesmo tempo, as localizações dos objetos e os detectores de objetos. A inconsistência entre a supervisão fraca e os objetivos de aprendizado introduz uma aleatoriedade significativa nas localizações dos objetos e ambiguidade nos detectores. Neste artigo, um modelo latente de mínima entropia (MELM) é proposto para a detecção de objetos fracamente supervisionada. A mínima entropia serve como um modelo para aprender as localizações dos objetos e uma métrica para medir a aleatoriedade da localização dos objetos durante o aprendizado. O objetivo é principalmente reduzir a variância das instâncias aprendidas e aliviar a ambiguidade dos detectores. O MELM é decomposto em três componentes, incluindo partição de proposta de clique, descoberta de clique de objeto e localização de objeto. O MELM é otimizado com um algoritmo de aprendizado recorrente, que aproveita a otimização de continuidade para resolver o desafiador problema de não convexidade. Experimentos demonstram que o MELM melhora significativamente o desempenho da detecção de objetos fracamente supervisionada, localização de objetos fracamente supervisionada e classificação de imagens, em relação aos métodos de ponta.