深入解析：弱监督目标检测新突破——OIM框架
在弱监督目标检测的领域，面对多实例学习方法的局限——容易忽略非显著物体及过度关注局部特征，论文《Object Instance Mining for Weakly Supervised Object Detection》（AAAI 2020）提出了创新的端到端解决方案——OIM框架。作者巧妙地结合了空间图和外观图，以解决物体实例挖掘中的挑战。
论文核心是Object Instance Mining（OIM），一个旨在挖掘图像中所有可能对象实例的框架，通过MID（多实例检测器）和IR（物体实例权重重定义损失）两部分协同工作。MID类似于WSSDN，运用多实例池化技术同时处理定位和分类任务，而OIM则通过整合空间关系与相似性信息，优化了检测精度和全面性。
OIM基于两个关键假设：置信度高的proposal及其周围高度重叠的 proposal 可能属于同一类，且同类对象在外观上有较高相似度。通过空间图描绘物体间的空间关系，外观图则强调外观上的相似性，让模型能更全面地识别对象实例。
针对CNN易检测到局部而忽略整体的问题，作者设计了IR损失，通过调整不同实例的权重，引导网络关注物体更大区域。例如，通过公式4和5，中心有判别性的proposal权重减小，而周围不明显区域权重则适当增加，促使网络更均衡地检测所有可能的物体部分。
实验结果展示了OIM的强大性能，相较于当前最先进的方法，OIM显示出显著的竞争优势。通过直观的实例，比如图3中，OIM能够挖掘出如汽车轮胎这样的非显著部分，而非仅限于核心 proposal，显著提升检测的全面性和准确性。
OIM框架的贡献在于提供了一种在图像级监督下挖掘所有对象实例的有效策略，从而显著增强CNN的识别能力和泛化能力。这无疑为弱监督目标检测领域开辟了新的研究方向。