对象实例挖掘：弱监督目标检测新框架

"这篇文档是商汤科技在AAAI2020年发表的研究论文，主要探讨了弱监督目标检测（Weakly Supervised Object Detection, WSOD）领域的一个新方法——对象实例挖掘（Object Instance Mining, OIM）框架。该框架旨在解决仅使用图像级注释进行WSOD时容易陷入局部最优的问题，以及由此导致的目标实例丢失，从而提高WSOD的性能。" 在计算机视觉领域，弱监督目标检测是一种重要的技术，它允许系统在只有图像级别标签（即没有特定对象边界框或实例标签）的情况下学习识别和定位目标。近年来，由于其在数据标注成本和效率方面的优势，WSOD受到了广泛的关注。然而，现有的基于多实例学习的方法存在一个关键问题：它们倾向于从图像中最具区分性的对象学习，这往往导致对其他可能存在的目标实例的忽视，从而陷入局部最优状态，降低了检测的准确性。 针对这一问题，论文提出了OIM框架，这是一个端到端的对象实例挖掘解决方案。OIM通过构建空间图和外观图上的信息传播机制，尝试检测图像中的所有可能对象实例，无需任何额外的注解信息。在迭代学习过程中，OIM能够逐渐发现并学习图像中所有对象实例，不仅减少了漏检的可能性，还能逐步优化模型的学习效果。 在OIM框架中，信息传播过程是关键。通过空间图，模型可以捕捉不同对象实例之间的空间关系，而外观图则帮助模型理解不同区域的视觉特征。这两个图的结合使得OIM能更全面地学习图像中的信息，避免只关注最显著的目标，从而有效地挖掘出图像中所有可能的对象实例。 此外，论文还可能涉及OIM框架的具体实现细节，如损失函数的设计、优化算法的选择、以及实验验证和与其他现有方法的对比分析。这些内容可能包括训练过程中的性能指标、泛化能力评估，以及在多个基准数据集上的实验结果，以证明OIM的有效性和优越性。 这篇论文提出了一种新的弱监督目标检测策略，通过对象实例挖掘解决了传统方法的局限性，提升了模型在有限标注条件下的目标检测性能，对于推动WSOD领域的发展具有重要意义。