基于自适应实例优化的弱监督目标检测算法

针对现有弱监督目标检测算法存在局部最优问题,提出一种基于上下文感知和自适应多实例细化相结合的弱监督目标检测算法。设计全局上下文注意力模块激活目标对象的整体特征,缓解局部区域支配问题;提出参数化空间丢失模块,利用生成掩模遮挡最具辨别力的区域,避免检测器将其所在的候选区域作为目标对象,从而使模型跳出局部最优解,以便选出包含更完整目标对象的候选框;通过引入自适应监督聚合函数,动态改变聚合标准,挖掘出用于训练在线细化分支的有效监督,并经过多次迭代优化提升检测性能。实验结果表明,在Pascal VOC 2007和VOC 2012数据集上检测精度分别为52.1%、46.6%;定位精度分别为68.1%、66.4%,优于已有检测算法,且有效解决了局部最优问题。