宋鵬鵬，龔聲蓉，，鐘 珊，周立凡，鳳黃浩

（1.蘇州大學(xué) 計算機科學(xué)與技術(shù)學(xué)院，江蘇 蘇州 215000；2.常熟理工學(xué)院 計算機科學(xué)與工程學(xué)院，江蘇 蘇州 215000；3.吉林大學(xué) 符號計算與知識工程教育部重點實驗室，長春 130000）

0 概述

目標檢測是計算機視覺領(lǐng)域的熱點研究之一［1］。由于卷積神經(jīng)網(wǎng)絡(luò)的迅速發(fā)展和具有完整邊界框的大規(guī)模數(shù)據(jù)集的出現(xiàn)，基于深度學(xué)習(xí)的全監(jiān)督目標檢測已取得了重大進展［2-3］。然而，在實際應(yīng)用中，全監(jiān)督目標檢測需要一個耗時耗力的過程來準備大量的完整標注數(shù)據(jù)，但是標注過程由于人為標注因素可能會帶來噪聲，這些因素使得大量的實際應(yīng)用很難直接采用監(jiān)督學(xué)習(xí)方式來解決。因此，近年來研究人員開始專注于弱監(jiān)督目標檢測（Weakly Supervised Object Detection，WSOD）［4］，因其僅需類別標記就可以進行訓(xùn)練，使得其在大量的實際應(yīng)用中具有廣泛的前景。

弱監(jiān)督檢測往往通過多示例學(xué)習(xí)（Multiple Instance Learning，MIL）來訓(xùn)練檢測器，多示例學(xué)習(xí)假設(shè)包是示例的集合，每個包都被標記而包中的示例沒有標記，正包表示包中至少有一個正樣本示例，而如果包中的所有示例都是負樣本則為負包。弱監(jiān)督檢測主要分為基于多示例學(xué)習(xí)的傳統(tǒng)檢測方法［5-7］和基于端到端多示例檢測網(wǎng)絡(luò)（Multiple Instance Detection Networks，MIDN）兩類方法［8-13］。這些方法的主要過程都是首先生成大量候選區(qū)域，然后對候選區(qū)域執(zhí)行多示例學(xué)習(xí)方法。雖然基于多示例學(xué)習(xí)的傳統(tǒng)檢測方法的檢測速度較快，但是其多數(shù)使用手工提取特征且特征不具有魯棒性，所以傳統(tǒng)方法操作復(fù)雜而且檢測精度無法令人滿意。受益于深度卷積神經(jīng)網(wǎng)絡(luò)強大的特征提取能力，越來越多的工作使用基于端到端的多示例檢測網(wǎng)絡(luò)，使得弱監(jiān)督檢測的精度顯著提升且無需對特征進行手工提取，極大簡化了檢測流程。但是由于其基于分類網(wǎng)絡(luò)構(gòu)建，而分類網(wǎng)絡(luò)往往提取的是目標最顯著性的局部特征，使得目標特征的高響應(yīng)區(qū)域也主要集中在此區(qū)域，導(dǎo)致在某些檢測場景下模型易于陷入局部最小值［14］，即傾向于穩(wěn)定在最顯著性的局部目標區(qū)域（如非剛性目標的頭或尾部）。然而，在弱監(jiān)督檢測中，僅關(guān)注目標的最顯著區(qū)域是不夠的，如何使得模型更關(guān)注目標整體區(qū)域，進一步提高弱檢測的檢測精度是急需解決的關(guān)鍵問題。

本文構(gòu)建一個端到端的弱監(jiān)督檢測框架DAENet，在雙注意力擦除（Double Attention Erasure，DAE）模塊中引入了注意力擦除，通過擦除最顯著性的局部前景區(qū)域以及背景注意力區(qū)域來擴展目標的高響應(yīng)區(qū)域，從而感知目標的整體。此外，為更精確地生成擦除掩碼，本文設(shè)計了注意力信息聚合（Attentional Information Aggregation，AIA）模塊來提取通道的全局和局部信息，并為不同尺度的目標構(gòu)建空間依賴關(guān)系以增強特征圖，提高定位不同目標區(qū)域的準確性。

1 相關(guān)工作

1.1 弱監(jiān)督目標檢測

目前，一些弱監(jiān)督檢測的工作受到越來越多的關(guān)注并取得了重大進展。在基于多示例學(xué)習(xí)的傳統(tǒng)弱監(jiān)督檢測方法［5-7］中，針對圖像集中的目標進行手動注釋較繁瑣且不可靠的問題，SIVA 等［5］介紹了使用類內(nèi)度量和類間度量來初始化潛在定位信息，然后使用模型漂移檢測方法迭代訓(xùn)練目標檢測器。為了挖掘背景中的隱藏信息以及抑制無用背景信息，WANG 等［6］提出通過執(zhí)行概率潛在語義分析方法來學(xué)習(xí)潛在類別并通過其置信度發(fā)現(xiàn)潛在類別目標。針對優(yōu)化過程的非凸問題，WANG 等［7］提出一種對候選區(qū)域深層特征進行凸聚類的方法，使得具有相似特征的候選區(qū)域聚集在一起。然而，如果目標被雜亂的背景包圍，則正樣本集可能包含明顯的噪聲。

由于深度卷積神經(jīng)網(wǎng)絡(luò)具有強大的特征表示能力，最近關(guān)于弱監(jiān)督檢測的工作［8-13，15-16］通常是利用MIDN，即通過多示例學(xué)習(xí)與深度卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合來訓(xùn)練檢測器。其中，BILEN 等［8］將深度卷積網(wǎng)絡(luò)和多示例學(xué)習(xí)統(tǒng)一在一個端到端的弱監(jiān)督檢測網(wǎng)絡(luò)WSDDN 中。作為對WSDDN 的改進，OICR［9］通過增加一個在線實例分類器，逐步優(yōu)化所選擇的候選區(qū)域。為了進一步提升檢測性能，TANG 等［10］在OICR 的基礎(chǔ)上，提出一種對候選區(qū)域的深度特征進行聚類的方法，使具有相似特征的候選區(qū)域盡可能地聚類在一起。ZENI 等［13］提出了一個知識蒸餾模塊，該模塊可以恢復(fù) OICR 中的在線實例分類細化分支之間的信息損失，以及加入了一個自適應(yīng)的監(jiān)督聚合函數(shù)來動態(tài)調(diào)整閾值以解決樣本的錯誤標記問題。REN 等［17］通過引入實例關(guān)聯(lián)空間多樣化約束和建立參數(shù)化空間丟棄塊來解決實例歧義和不完全定位問題，此外還采用了順序批量反向傳播算法來提高內(nèi)存效率。該方法在參數(shù)化空間丟棄塊中引入了丟棄顯著性區(qū)域的方法，本文在擦除目標顯著性區(qū)域的基礎(chǔ)上進一步考慮了背景區(qū)域帶來的影響，并且在雙注意力擦除模塊中引入了另一個分支來增強特征圖維護網(wǎng)絡(luò)的分類性能，從而平衡網(wǎng)絡(luò)的分類和定位性能。另外，ZHONG 等［18］使用帶有完整注釋的附加源數(shù)據(jù)集進行知識遷移，逐步對源數(shù)據(jù)集和弱注釋目標數(shù)據(jù)集上的泛化器進行訓(xùn)練以更好地泛化目標數(shù)據(jù)集。然而，該方法需要找到符合要求的大量完整標注的源數(shù)據(jù)，使用先驗知識來提升目標域的弱監(jiān)督檢測性能并且需要進行多次訓(xùn)練，訓(xùn)練過程比較復(fù)雜。而本文設(shè)計了兩個即插即用的模塊，兩個模塊相互協(xié)作，易于移植實現(xiàn)并整合到其他網(wǎng)絡(luò)中來解決弱監(jiān)督場景下目標顯著性區(qū)域突出從而導(dǎo)致嚴重影響檢測性能的情況。此外，一些弱監(jiān)督檢測工作也試圖在不同方面改善弱監(jiān)督檢測器的性能，如生成更多高質(zhì)量的候選區(qū)域［15，19-20］、改進生成監(jiān)督信息的方式［9-13］、使用額外的標注或數(shù)據(jù)集［16，21-23］等。與之前的工作相比，本文將注意力擦除策略引入到DAENet 中，以此感知弱監(jiān)督目標檢測中目標的更大區(qū)域。此外，本文方法易于整合到其他弱監(jiān)督目標檢測框架中。

1.2 注意力機制

注意力機制在計算機視覺領(lǐng)域的應(yīng)用出現(xiàn)在Non-Local 模型［24］中，其引入了非局部操作并使用自注意力機制來建立遠程依賴關(guān)系。SENet［25］引入了Squeeze 和Excitation 模塊來獲得每個特征通道的重要性以增強特征。LI 等［26］通過對SENet 的改進，提出一種結(jié)合多個卷積核提取不同尺度特征的非線性方法來實現(xiàn)感知領(lǐng)域的自適應(yīng)調(diào)整。為了學(xué)習(xí)增強或抑制的內(nèi)容和位置信息，CBAM［27］將注意力機制同時應(yīng)用于通道和空間維度。GAO 等［28］通過引入?yún)f(xié)方差來計算通道之間的關(guān)系。為減少計算開銷，WANG 等［29］提出一種不降維的局部跨信道交互策略以及對一維卷積核大小的自適應(yīng)選擇方法。最近，DAI 等［30］提出多尺度通道注意力模塊，通過結(jié)合通道的局部和全局信息獲得不同尺度的目標特征信息。

1.3 擦除策略

注意力擦除機制［31-35］通過擦除最顯著性的區(qū)域來感知目標的整體區(qū)域。WEI 等［34］使用分類網(wǎng)絡(luò)來優(yōu)化目標區(qū)域的方法以逐步挖掘目標區(qū)域，然而這種方法訓(xùn)練繁瑣。ZHANG 等［31］提出了對抗性互補學(xué)習(xí)ACoL 模型，該模型利用對抗性互補學(xué)習(xí)改進類激活圖，將2 個分類器網(wǎng)絡(luò)的輸出相結(jié)合從而對目標整體進行感知。為減少計算開銷，與ACoL 類似，MAI 等［33］提出一個簡單而有效的EIL 模型，將未擦除和擦除的數(shù)據(jù)從共享的骨干網(wǎng)絡(luò)整合到具有共享權(quán)重的雙分支網(wǎng)絡(luò)中。為考慮像素之間的相關(guān)性，ZHANG 等［35］利用一種自上而下的機制，將高層輸出作為基礎(chǔ)監(jiān)督來學(xué)習(xí)目標的位置信息。此外，CHOE 等［32］提出一個即插即用的ADL 模塊來權(quán)衡分類和定位之間的性能。與ADL 不同，本文方法進一步考慮擦除背景區(qū)域，以防止高響應(yīng)區(qū)域轉(zhuǎn)移到非目標區(qū)域。

2 DAENet 模型

2.1 模型結(jié)構(gòu)設(shè)計

DAENet 的整體架構(gòu)如圖1 所示。對于僅有圖像級標注的輸入圖像，其對應(yīng)的類別標簽為Y=[y1，y2，…，yC]∈RC×1，其中C為類別總數(shù)。對于某幅圖片，如果yc(1 ≤c≤C)=1，則其包含具有類標簽c的目標。輸入圖像的候選區(qū)域表示為R={R1，R2，…，RN}，其中N為候選區(qū)域的數(shù)量。具體來說，輸入圖像需要經(jīng)過MIDN 的分類和檢測流分支，分別生成矩陣xclass∈RC×N和xdet∈RC×N。所有候選區(qū)域的分數(shù)都可以通過對應(yīng)元素乘積x0=σclass(xclass)⊙σdet(xdet)來計算，其中σ表示Softmax 函數(shù)。最后任何類別c的分類得分都可以通過對所有候選區(qū)域中與c有關(guān)的分數(shù)相加得到，表示為。多示例學(xué)習(xí)分支的多類交叉熵損失為：

圖1 DAENet 的整體網(wǎng)絡(luò)框架Fig.1 The overall network framework of DAENet

多示例學(xué)習(xí)分支的輸出可以通過引入優(yōu)化分支和蒸餾分支進行細化［13］。從Fc7 的生成特征向量同時進入多示例學(xué)習(xí)分支、具有K個優(yōu)化分支和蒸餾分支。所有的分支在結(jié)構(gòu)上是相同的，但在訓(xùn)練中使用的監(jiān)督信息是不同的。

在優(yōu)化分支中，將同時考慮背景的標簽信息，因此將每個優(yōu)化分支的輸出結(jié)果都表示為xk∈R(C+1)×N(k=1，2，…，K)。除了第1 個分支的監(jiān)督信息來自于多示例學(xué)習(xí)分支外，其他任何第k-1 個分支的監(jiān)督信息都來自于其上一個分支。在任何一個類別中得分最高的候選區(qū)域?qū)⒈粯擞洿祟悇e的標簽，而其他候選區(qū)域如果有較高的IoU，將被標記與相鄰候選區(qū)域相同的標簽，所有其余的候選區(qū)域都被用作背景或被忽略［13］。因此，第r個優(yōu)化分支中的第k-1 個候選區(qū)域的監(jiān)督信息為，它被用作第k個優(yōu)化分支的偽標簽。第k個優(yōu)化分支的多類交叉熵損失為：

其中：是第r個候選區(qū)域在第k個優(yōu)化分支中的損失權(quán)重，以防止訓(xùn)練初期不可靠的候選區(qū)域得分的影響。

對于蒸餾分支，其偽標簽是通過對優(yōu)化分支中K個優(yōu)化分支的輸出進行平均而得到的。蒸餾分支的損失函數(shù)Ldistill與優(yōu)化分支相同。總損失函數(shù)可定義如下：

2.2 雙注意力擦除模塊

目標的較大區(qū)域可以通過擦除最顯著性的注意力區(qū)域而被感知［31-33］。然而，隨著迭代訓(xùn)練的進行，當(dāng)最顯著的局部前景注意力區(qū)域被掩蓋時，高響應(yīng)區(qū)域可能會轉(zhuǎn)移到背景中。因此，受文獻［32］的啟發(fā)，本文設(shè)計了雙注意力擦除模塊，其不僅擦除顯著性局部前景注意力區(qū)域來尋找整個目標，而且同時擦除背景注意力區(qū)域，以防止網(wǎng)絡(luò)將注意力集中在背景區(qū)域。其整體結(jié)構(gòu)如圖2 所示。

理論研究表明，從信息經(jīng)濟的發(fā)展過程來看，基礎(chǔ)層、傳輸層、融合層、新生層及福利層的信息經(jīng)濟遵循時間上的不斷遞進、空間上的不斷擴散及程度上的不斷深化的關(guān)系，下層是上層的基礎(chǔ)，而上層又反過來促進下層的進一步發(fā)展。本文測算了基于西部各省區(qū)信息經(jīng)濟發(fā)展層次指數(shù)的相關(guān)系數(shù)矩陣，結(jié)果表明，信息經(jīng)濟各層次之間存在顯著的正相關(guān)關(guān)系。

圖2 DAE 模塊的整體結(jié)構(gòu)Fig.2 The overall structure of DAE module

DAE模塊中引入了2個閾值，即前景閾值λfg∈[0，1]和背景閾值λbg∈[0，1]。自注意力圖Msa∈RH×W×1首先通過對輸入特征Fa∈RH×W×D進行平均計算得到，其中D、H和W分別為通道數(shù)、高度和寬度。然后將Msa中大于Tfg的對應(yīng)元素置為0，其他置為1，則由此生成前景擦除掩碼Mfg，其中Tfg=λfg·max(Msa)。與前景注意力擦除方法相反，背景擦除掩碼Mbg是通過將Msa中小于閾值Tbg元素置為0，其余置為1，其中Tbg=λbg·max(Msa)。因此，總擦除掩碼為：

其中：?表示對應(yīng)元素相乘。

此外，DAE 模塊還引入了另一個分支，通過對Msa進行Sigmoid 函數(shù)操作來生成增強圖Mem，以維護分類的性能。通過設(shè)置λdrop_rate，網(wǎng)絡(luò)模型可以在Mdrop和Mem之間隨機選擇，決定是否使用注意力消除，注意力擦除將有助于定位性能，而另一種則對分類性能起著重要作用，最后將選定的結(jié)果作用到輸入特征上。

2.3 注意力信息聚合模塊

DAE 的效果依賴于生成的擦除掩碼的準確性，為了提高準確性，本文受文獻［30］啟發(fā)，設(shè)計了注意力信息聚合模塊。AIA 模塊的整體結(jié)構(gòu)如圖3 所示。輸入特 征Fb∈RH×W×D，首先進行全局平均池化（Global Average Pooling，GAP），然后進行通道衰減（Channel Attenuation）模塊（兩次1×1 的卷積運算），最后生成全局通道向量fglobal∈R1×1×D作為輸出，此外在該過程中設(shè)置通道衰減率r以降低計算的復(fù)雜性。同時，對Fb進行通道衰減來獲得flocal∈RH×W×D的局部通道信息。經(jīng)過2 次運算可以得到通道權(quán)重，首先通過廣播加法對fglobal和flocal進行計算，然后使用Sigmoid 函數(shù)。最終的輸出可以通過式（5）獲得：

圖3 AIA 模塊的整體結(jié)構(gòu)Fig.3 The overall structure of AIA module

其中：σ、⊕和?分別表示 Sigmoid 函數(shù)、廣播加法和逐元素乘法。

此外，通過構(gòu)建特征的空間依賴關(guān)系可以使網(wǎng)絡(luò)重點關(guān)注的那些區(qū)域位置有關(guān)鍵信息，這對于訓(xùn)練時缺乏位置標簽的弱監(jiān)督檢測非常重要。所以，為了進一步提高物體區(qū)域的定位性能，本文對輸入特征圖構(gòu)建目標空間維度的依賴關(guān)系。通道平均池化（CAP）和通道最大池化（CMP）同時對輸入特征進行操作，然后將其輸出在通道維度中進行拼接。隨后將拼接的結(jié)果通過一個7×7 卷積層，并根據(jù)Sigmoid 函數(shù)獲取空間信息Ms。但是簡單地將空間信息進行加和可能會影響模型精度，這是由于經(jīng)過Sigmoid 提取空間信息后的輸出權(quán)重為歸一化的特征圖，點乘后會使得特征圖的輸出響應(yīng)變?nèi)?。故而本文進行點乘之后再與原始特征相加，最終注意力信息聚合模塊的輸出可以通過式（6）計算：

3 實驗與結(jié)果分析

3.1 數(shù)據(jù)集和評價指標

本文運用的數(shù)據(jù)集和評價指標如下：

1）數(shù)據(jù)集。在2個廣泛使用并具有挑戰(zhàn)性的數(shù)據(jù)集上進行了實驗：PASCAL VOC 2007［36］和 VOC 2012［37］，兩者都包含20 個目標類別。對于VOC 2007，其包含24 640 個標記的對象和9 963 張圖像，其中5 011 張圖像屬于訓(xùn)練驗證集trainval，4 952 張圖像屬于測試集test。對于VOC 2012，其包含22 531 張圖像，其中11 540 張圖像屬于訓(xùn)練驗證集，10 991 張圖像屬于測試集。對于每一個數(shù)據(jù)集，本文實驗都在訓(xùn)練驗證集進行訓(xùn)練，并在測試集進行評估檢測結(jié)果。

2）評價指標。本文在實驗中使用2 個指標進行評估，即平均精度（mean Average Precision，mAP）和正確定位（Correct Localization，CorLoc）。mAP 用于衡量檢測器在目標檢測中的檢測精度，CorLoc 表示正確定位的圖像數(shù)量占總圖像數(shù)量的百分比，用于衡量定位精度［8］。根據(jù)PASCAL 標準，在評估中只有當(dāng)一個預(yù)測框與真值框的IoU 大于50%時才認為其是正確的。為進行公平的比較，本文算法在test 集上評估m(xù)AP，在trainval 集上評價CorLoc。

3.2 實驗

實驗在NVIDIA Tesla P100 的顯卡上通過PyTorch 框架進行。DAENet 整體網(wǎng)絡(luò)在基準模型為Boosted-OICR 的基礎(chǔ)上建立，其骨干網(wǎng)絡(luò)是在ImageNet 數(shù)據(jù)集上預(yù)先訓(xùn)練的VGG16。為了公平起見，所有的設(shè)置都與基準模型相同。實驗中使用Selective Search［38］為每個圖像生成初始候選區(qū)域。在訓(xùn)練階段，實驗設(shè)置K=3 來優(yōu)化實例分類器。此外，本文將AIA 模塊插入到VGG16 的conv4-3 層后面。對于DAE 模塊，參照文獻［32］將λfg設(shè)為80%，并將λdrop_rate設(shè)為75%，根據(jù)消融實驗，本文將λbg設(shè)為5%。在AIA 模塊中，通道衰減率r被設(shè)定為16。在評估過程中，最終結(jié)果是從優(yōu)化和蒸餾分支的平均輸出中得到。在訓(xùn)練時只使用圖像級別的標簽而不使用圖像的邊框注釋，但在測試時使用圖像完整標注進行評估。

3.3 消融實驗

本文在數(shù)據(jù)集VOC 2007 上進行消融實驗并使用mAP 進行評估。

3.3.1 骨干網(wǎng)絡(luò)中的DAE 位置實驗

首先對DAE 模塊在網(wǎng)絡(luò)結(jié)構(gòu)中的插入位置進行實驗，結(jié)果如表1 所示?？梢钥吹剑寒?dāng)DAE 放置到VGG16 的conv4-3 層時性能最好，與Boosted-OICR相比mAP 提高了0.8%。但當(dāng)把DAE 放置到pool2、pool3 或conv5-3 層時網(wǎng)絡(luò)的性能下降。這很可能是由于網(wǎng)絡(luò)低層的注意力一般集中在目標的紋理信息上，而在網(wǎng)絡(luò)高層中擦除顯著性特征后由于缺乏后續(xù)特征提取層使得目標的其他高響應(yīng)特征難以被激活，因此這兩者都不能為網(wǎng)絡(luò)訓(xùn)練提供有用的信息。

表1 DAE 模塊的插入位置對網(wǎng)絡(luò)性能的影響Table 1 Effect of DAE module insertion location on network performance %

3.3.2 DAE 和AIA 的有效性實驗

在實驗網(wǎng)絡(luò)模型中DAE 和AIA 的有效性如表2 所示。由DAE 的實驗結(jié)果顯示，當(dāng)將顯著性局部前景區(qū)域和部分背景區(qū)域一起擦除時網(wǎng)絡(luò)的檢測性能提高了0.6 個百分點，并且mAP 達到了50.3%。在AIA 中進一步構(gòu)建空間依賴關(guān)系后，mAP 從49.6%提高到50.0%，這表明空間注意力在弱監(jiān)督檢測中起著重要作用。實驗結(jié)果表明，AIA 和DAE 協(xié)同工作可以提高整個DAENet的性能。在表2 中，N/A 表示未添加任何模塊，w/和w/o 分別表示with 和without。

表2 DAE 和AIA 的有效性實驗結(jié)果Table 2 Experimental results of the effectiveness of DAE module and AIA module %

3.3.3 DAE 中背景閾值參數(shù)的設(shè)定

為了確定DAE 中背景閾值λbg的最佳閾值，本文進行了不同設(shè)置實驗，如圖4 所示。從圖4 可以看出：背景閾值λbg很大程度上影響了檢測性能。當(dāng)λbg設(shè)置為5%時該模型性能表現(xiàn)最佳，當(dāng)不斷增加該值時網(wǎng)絡(luò)性能會逐漸變差。這可能是由于當(dāng)背景閾值過大時網(wǎng)絡(luò)會將更多的目標區(qū)域誤認為是背景區(qū)域，造成重要的信息也被擦除從而影響檢測的性能。

圖4 不同閾值對檢測性能的影響Fig.4 Effect of different threshold on detection performances

3.4 與其他弱監(jiān)督目標檢測方法的對比

本文分析了DAENet 與Boosted-OICR 相比在一些非剛性目標的高響應(yīng)區(qū)域特征圖的情況，可視化情況如圖5 所示。本文提取了主干網(wǎng)絡(luò)VGG16 的conv5-3 層的特征圖，并將顯著性的特征進行可視化。可以發(fā)現(xiàn)：Boosted-OICR 方法的高響應(yīng)區(qū)域主要集中在非剛性物體的最顯著性的區(qū)域，導(dǎo)致最終檢測結(jié)果不完整。本文方法可以有效擴展最顯著性的區(qū)域并激活其他顯著性較低的區(qū)域，以盡可能地定位目標整體。

圖5 非剛性目標的高響應(yīng)區(qū)域特征圖的可視化Fig.5 Visualization of high response region feature maps of non-rigid objects

此外，在數(shù)據(jù)集VOC 2007 和VOC 2012 上，本文將DAENet 與其他最近的弱監(jiān)督目標檢測方法進行了實驗比較，在數(shù)據(jù)集VOC 2007 上的mAP 和CorLoc 如表3 和表4 所示?？梢钥闯觯罕疚姆椒ǖ膍AP 達到了50.5%，CorLoc 達到了66.6%。特別地，對于一些非剛性目標，如cat、dog、horse 和people，本文方法的mAP 分別比Boosted-OICR 提高了19.6、5.5、3.6 和11.3 個百分點，這也充分證明了本文算法可以有效地擴展目標的顯著性局部區(qū)域，從而感知目標的整體。此外，在數(shù)據(jù)集VOC 2012 的檢測結(jié)果如表5 所示，本文方法的mAP 取得了47.4%的檢測結(jié)果，CorLoc 取得了67.3%的檢測結(jié)果，與Boosted-OICR 相比，DAENet 的mAP 和CorLoc 分別高出1.3和1.4 個百分點。DAENet 與其他最近的弱監(jiān)督檢測方法相比也顯示出有競爭力的結(jié)果。然而從表3、表4 也可以發(fā)現(xiàn)：對于一些特殊的非剛性目標如bird、cow 和sheep，與最近的弱監(jiān)督方法相比本文算法在準確度上提升幅度較小，對于如bird 等此類圖像總是由復(fù)雜的場景和小目標組成目標，易受擦除機制的影響使得后續(xù)該目標高響應(yīng)區(qū)域減弱，而cow 和sheep等目標通常成群出現(xiàn)，易于將多個目標的高響應(yīng)區(qū)域相連，這些因素都會極大地影響檢測結(jié)果。

表3 VOC 2007 test 集上不同WSOD 方法的mAP 比較Table 3 mAP comparison of different WSOD methods on VOC 2007 test set %

表4 VOC 2007 trainval 集上不同WSOD 方法的CorLoc 比較Table 4 CorLoc comparison of different WSOD methods on VOC 2007 trainval set %

表5 VOC 2012 數(shù)據(jù)集上不同WSOD 方法的mAP 和CorLoc 的比較Table 5 Comparison of mAP and CorLoc of different WSOD methods on the VOC 2012 data set %

4 結(jié)束語

本文將雙注意力擦除和注意力信息進行聚合，提出一種端到端弱監(jiān)督檢測框架DAENet 來處理弱監(jiān)督檢測問題。通過擴展目標的最顯著性區(qū)域提高整體網(wǎng)絡(luò)模型的性能，雙注意力擦除采用了注意力擦除方法來擦除最顯著性的前景注意力區(qū)域，同時擦除部分背景注意力區(qū)域，使整體網(wǎng)絡(luò)模型能夠盡可能地關(guān)注目標的整體區(qū)域。在此基礎(chǔ)上，將注意力信息聚合模塊通道中的全局特征和局部特征進行聚合，通過引入空間依賴性來輔助生成更加精準的注意力擦除掩碼，從而提高檢測精度。實驗結(jié)果表明，DAENet 框架通過雙注意力擦除和注意力信息聚合的協(xié)作能夠明顯提高檢測性能，且在一些非剛性目標上的精度也有明顯提高。下一步將對弱監(jiān)督檢測中的小目標進行研究，以提高小目標的檢測精度。