?弱監督目標檢測相對于一般的目標檢測任務來說，訓練樣本不需要實例級別的標注，只需要圖片級別的標注，即告訴圖片中有什么而不需標注位置信息，這種標注圖片容易獲取，能節省標注時間及精力?，F有的大部分方法在進行若監督目標檢測任務時，采用多實例學習方法和two-stage的跟蹤框架，檢測速度不如one-stage的檢測方法，如SSD，YOLO等。本文提出了一種新穎的生成式對抗學習方法，在訓練階段，使用一個one-stage的檢測器從圖片中提取候選區域， 同時使用一個代理器，根據圖片及圖片級別的標注，估計真值的分布，將檢測器和代理器的結果送到一個判別器中去判斷辨別，以此引導檢測器的學習。同時，使用了一個結構相似性的損失與對抗損失一起去訓練生成式對抗網絡。在測試階段，只使用one-stage的檢測器，從而達到了高效快速的檢測性能。作者在PASCOL VOC2007，2010，2012數據集上做了充分實驗， 在大部分類別上獲得了較好的性能。

?算法框架：

Loss:

?

轉載于:https://www.cnblogs.com/yangruicvpr/p/11121637.html

總結

以上是生活随笔為你收集整理的Generative Adversarial Learning Towards Fast Weakly Supervised Detection(CVPR2018)阅读笔记的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。