论文阅读 Adversarial Complementary Learning forWeakly Supervised Object Localization

Abstract

文章提出了ACoL通过一种弱监督的方式自动定位整合的感兴趣的区域，直接从最后的卷积层来选择class-specific的feature map。其中整个网络包含两个分类器，其中一个分类器A用来定位discriminitive regions，而另一个分类器B用来定义A没有定位出来的感兴趣区域，从而形成一种互补。

任务定义

Weakly Supervised Object Localization (WSOL) refers to learning object locations in a given image using the image-level labels. 也就是说整个任务每张图片只有类别信息，而没有其他任何信息，在这种情况下，要与出来感兴趣区域就是一种弱监督了，嘿哈

通常做法

通常做法是在VGG，resenet网络的最后接几层卷积层，从这些卷积层中去预测generate discriminative class activation maps (CAM)。但是这个存在两个问题的：
1）过度依赖那些对分类有帮助的明显的特征（category-wise discriminative features for image classification）
2） 无法密集地去预测目标物体

出现上述问题的主因就是太过于依赖对分类有帮助的那些信息了，例如分类一只猫，只会关注它的头，而不会关注它的body和leg

针对以上问题有两个典型做法

1. 第一个是对map图中那些明显的区域erase掉，然后将erase掉的特征再去做分类，这样通过多个分类器就会获得多个多个明显区域，通过融合获得最后的结果，缺陷是得训练多个分类器
2. 另一个思路是随机遮挡图像中的明显区域，让网络去学习更多的显著区域，但是随机遮挡并不是很有效。

所以本文提出了Adversarial Complementary Learning (ACoL)来获得感兴趣区域
整体思路：
首先通过A分类器获得感兴趣的区域，然后将这个区域遮挡，将遮挡后的map图送个分类器B来获得互补的感兴趣区域，整合两个分类器的结果获得最终的感兴趣区域。为了能够使得训练端到端，作者证明了object localization maps can be obtained by directly selecting from the classspecific feature maps of the last convolutional layer，而不需要一个后处理的过程来解决。

和AE的区别

1. 将两个分类器整合成一个网络，而不是多个分立的网络
2. AE需要不断迭代的产生map，他必须forward network多次，但是本文只用一次
3. AE采用CAM来产生localisation map图，因此需要分为两步哈，本文只用一步， 参考Learning Deep Features for Discriminative Localization.

网络结构

Adversarial Complementary Learning

Revisiting CAM

给定全卷积网络FCN，最后输出的map图是$S \in R^{H \times H \times K}$,K是通道数。然后feature map送入到最后的Global Average Pooling中，一个通道产生一个数$s_k$

然后送到全连接中，整个全连接层的权重矩阵$W^{fc} \in R^{K \times C}$,送到softmax里面的第C个节点的输入则是

$W_{k,c}^{fc}$代表了fc矩阵的第k行第c列，最后的$A_c^{fc}$就是localization map,也是真个弱监督学习的目的

$S_k$代表的是第k张map图，以上是传统的CAM
本文提出了新的解决思路，更容易嵌入到任何网络之中，作者的思路是给定FCN的输出map S，然后送入到一个C个通道的1x1的卷积中，然后送入到一个GAP模块中，然后再送入到softmax中。
1x1卷积的参数量是$W^{conv} \in R^{K\times C}$,从1x1的卷积中获得最终的输出map图，$A_c^{conv}$

$W_{k,c}^{conv}$代表卷积核的$W^{conv}$的第k行，第c列。输入到最后的层softmax的输入是

$A^{fc}_c$和$A^{conv}_c$有着相同的数学表达，因此二者是等同的，产生的localization map是相同的。这样的map可以直接在前向中获得，而不必做后处理。本文直接从最后的1x1的卷积层产生的结果中来获得最终的预测map，而之前CAM论文则需要用全连接的参数对map图进行处理，本文直接将该模块嵌入到网络中，并不需要一个后处理的过程

The proposed ACoL

思路很简单的。其中整个网络包含两个分类器，其中一个分类器A用来定位discriminitive regions，而另一个分类器B用来定义A没有定位出来的感兴趣区域，从而形成一种互补。最后将两个分类器网络预测出来的两张map对应位置依次取最大值获得最终的map。从整个网络示意图中也可以看出。
算法流程(论文里有误)

整体的网络架构