融合注意力机制下的弱监督目标检测

针对现有的弱监督目标检测算法由于缺乏实例级类别的注释，易出现局部定位的问题，提出一种基于空间-通道注意力机制与多实例优化回归网络相结合的弱监督目标检测算法。通过在特征提取网络中引入注意力模块，发掘出更为优质的初始伪真值标签，有效地提取了隐含的位置信息。在网络训练阶段引入自适应的策略挖掘出训练细化分支的有效监督，实现对卷积神经网络中实例分类器的优化，同时以端到端的方式进行模型的训练，避免网络过多地关注目标的显著区域而不是整个对象，从而使模型跳出局部最优，提升模型的检测性能。在PASCAL VOC 2007和VOC 2012大规模数据集上的实验结果表明，提出的算法拥有比近几年主流方法更好的检测性能，有效缓解了局部定位的问题。