摘要：为解决弱监督行人检测训练过程中数据收敛到局部最优解和缺少回归能力问题,提出一种基于改进的在线学习与伪真值挖掘过滤算法的弱监督行人检测方法。采用WSDDN作为基础的弱监督检测器,通过优化OICR在线学习精细化策略,增加行人检测召回率并覆盖行人完整的位置,改善算法收敛到局部最优解的问题;基于邻域融合原理,通过设计伪真值挖掘过滤算法优化伪真值,进行全监督行人检测器训练,提高弱监督行人检测器的回归能力。实验结果表明,所提弱监督检测方法在VOC2007上实现了21.3%的mAP准确率,高于经典的弱监督行人检测方法(PCL)3.5%mAP准确率,验证了其有效性。

摘要：针对以往的弱监督显著性目标检测算法存在的显著目标定位不准确问题,提出一种基于边界框标注的弱监督显著目标检测算法。所提算法利用图像中所有目标的最小外接矩形框,即边界框,作为监督信息。首先基于边界框标注和GrabCut算法生成初始显著图;然后在此基础上设计了一个缺失修正模块,以得到优化后的显著图;最后结合传统方法和深度学习方法各自的优势,将优化后的显著图作为伪真值,通过神经网络学习一个显著性目标检测模型。在4个公开数据集上与6种无监督、4种弱监督的显著性检测算法进行比较的实验结果显示,所提算法在所有数据集上的最大F度量值(Max-F)和平均绝对误差(MAE)均明显优于对比算法:与同样基于边界框标注的弱监督方法SBB(Saliency Bounding Boxes)相比,所提算法的标注方法更简单,在ECSSD、DUTS-TE、HKU-IS、DUT-OMRON等4个数据集上进行实验,Max-F分别提高了1.82%、4.00%、1.27%和5.33%,MAE分别降低了13.89%、15.07%、8.77%和13.33%。可见,所提算法是一种具有良好检测性能的弱监督显著目标检测算法。