?弱監(jiān)督目標檢測相對于一般的目標檢測任務(wù)來說，訓(xùn)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(jié)省標注時間及精力。現(xiàn)有的大部分方法在進行若監(jiān)督目標檢測任務(wù)時，采用多實例學(xué)習(xí)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(xué)習(xí)方法，在訓(xùn)練階段，使用一個one-stage的檢測器從圖片中提取候選區(qū)域， 同時使用一個代理器，根據(jù)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(jié)果送到一個判別器中去判斷辨別，以此引導(dǎo)檢測器的學(xué)習(xí)。同時，使用了一個結(jié)構(gòu)相似性的損失與對抗損失一起去訓(xùn)練生成式對抗網(wǎng)絡(luò)。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(shù)據(jù)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(zhuǎn)載于:https://www.cnblogs.com/yangruicvpr/p/11121637.html

總結(jié)

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(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。