0527 每日文献阅读 打卡

Read Data: 0527	Publication: CVPR 2021
Title: Multiple Instance Active Learning for Object Detection Participants: Tianning Yuany, Fang Wany, Mengying Fu
Aim: 在目标检测领域，还缺乏一种instance-level的主动学习方法。	Research Question: 解决传统方法没有考虑负样本在目标检测中的不平衡问题，负样本产生了背景中的noisy instances，并干扰了image uncertainty的学习。
Method: 通过观察实例级的不确定性，来来为检测器的训练挑选最informative的图片。MI-AOD定义了实例不确定性学习模块，该模块利用在标注集上训练的两个对抗性实例分类器的差异来预测未标注集的实例不确定性。MI-AOD将未标记图像作为实例包，将图像中的特征框作为实例，以多实例学习(MIL)的方式对实例重新加权来估计图像的不确定性。
Results: 在VOC数据集上，当使用5.0%、7.5%和10.0%样本时，它的性能分别比最先进的方法高出18.08%、7.78%和5.19%。在20.0%样本的情况下，MI-AOD实现了72.27%的检测mAP，显著优于CDAL 3.20% 在COCO数据集上，当使用2.0%、4.0%和10.0%标记的图像时，它的表现分别比Core-set和CDAL高出0.6%、0.5%、2.0%和0.6%、1.3%、2.6%。		Discussion:
Conclusion: 我们提出了多实例活动对象检测(MI-AOD)，通过观察实例的不确定性来选择信息图像进行检测器训练。MI-AOD包含一个差异学习模块，他利用对抗实例分类器去预测未标注实例的不确定性。MI-AOD将未标记的图像作为实例包，采用多实例学习(MIL)的方式对实例重新加权来估计图像的不确定性。迭代实例不确定性学习和重新加权有助于抑制有噪声的实例，从而选择有信息的图像进行检测器训练。在大规模数据集上的实验，验证了MI-AOD的优越性，			Further:
Ref: 贡献： 提出了MIAL，建议了一个有效的baseline，来建模instance uncertainty和image uncertainty之间的关系，从而挑选最informative的图片。 制定了instance uncertainty learning（IUL）以及instance uncertainty re-weighting（IUR）模型，在目标检测中过滤噪声的同事，还提供了挑选informative实例的方法。 将MIAL用于目标检测中的常用数据集中，并且超越了目前的SOTA方法。