摘要:现有阴影-对象实例检测网络都是基于掩码标签的全监督训练，但掩码标签标注难度和成本较高。仅利用边界框标签进行监督训练可以有效降低数据集的标注难度和成本，但弱监督会导致预测实例掩码精度降低。为了解决这一问题，首次利用弱监督方法进行阴影对象实例检测，提出了一种基于双向学习结构的弱监督阴影-对象实例检测网络。首先，设计了教师-学生双向学习结构，利用教师网络预测的结果作为学生网络监督训练的的伪掩码标签，通过指数移动平均方法更新教师网络的参数的方法提高弱监督检测的精确度。其次，通过投影损失对预测掩码进行精准定位，并引入了能表征图像色彩先验信息的色彩相似性指标，结合交叉熵损失函数设计了色彩相似性损失函数，提高了整体网络的检测性能。为了验证所提方法的有效性和提高网络的鲁棒性，构建了一个阴影-对象实例检测数据集，并在该数据集与公开数据集SOBA上验证了本文网络的预测能力，平均精度值分别达到了53.3和51.5。

摘要:传统卷积神经网络虽然具有较好的应用准确度，但是其的主要缺陷是效率低，为解决这一问题，弱监督算法被提出，现有的弱监督学习算法标记训练样本较少，效率较理想，但是仍然存在误分类率较高等不足。为了同时满足高效率和高精度的要求，本研究结合了弱监督算法和卷积神经网络，提出一种基于类别空间约束的弱监督卷积神经网络特征学习算法。首先，建立弱监督卷积神经网络特征学习算法的网络模型；其次，通过对空间加以约束，使标记样本和未标记样本建立一定的联系，从而实现特征空间聚类；最后，利用模型训练样本数据，实现基于类别空间约束的弱监督卷积神经网络特征学习算法的设计。实验结果表明，所提方法误分类率达到5%,分类耗时不超过0.4 ms,能够更好地开展特征学习。