深度学习论文阅读目标检测篇（五）中文版：YOLOv2《 YOLO9000: Better, Faster, Stronger》

摘要

  摘要我们引入了一个先进的实时目标检测系统YOLO9000，可以检测超过9000个目标类别。首先，我们提出了对YOLO检测方法的各种改进，既有新发明的一些东西，也参考了前人的工作。改进后的模型YOLOv2在PASCALVOC和COCO等标准检测任务上性能是最好的。使用一种新颖的、多尺度训练方法，同样的YOLOv2模型可以以不同的尺度运行，从而在速度和准确性之间获得了良好的权衡。以67FPS的检测速度，YOLOv2在VOC2007上获得了76.8mAP。而检测速度40FPS时，YOLOv2获得了78.6mAP，比使用ResNet的FasterR-CNN和SSD等先进方法表现更出色，同时仍然运行速度显著更快。最后我们提出了一种联合训练目标检测与分类的方法。使用这种方法，我们在COCO检测数据集和ImageNet分类数据集上同时训练YOLO9000。我们的联合训练允许YOLO9000预测未标注的检测数据目标类别的检测结果。我们在ImageNet检测任务上验证了我们的方法。YOLO9000在ImageNet检测验证集上获得19.7mAP，尽管200个类别中只有44个具有检测数据。不在COCO中的156个类别上，YOLO9000获得16.0mAP。但YOLO可以检测到200多个类别；它预测超过9000个不同目标类别的检测结果。并且它仍然能实时运行。

1.引言

  通用目的的目标检测系统应该是快速的、准确的，并且能够识别各种各样的目标。自从引入神经网络以来，检测框架变得越来越快速和准确。但是，大多数检测方法仍然受限于一小部分目标。

  与分类和标记等其他任务的数据集相比，目前目标检测数据集是有限的。最常见的检测数据集包含成千上万到数十万张具有成百上千个标签的图像[3][10][2]。分类数据集有数以百万计的图像，数十或数十万个类别[20][2]。

   我们希望检测能够扩展到目标分类的级别。但是，标注检测图像 要代价比标注分类或贴标签要大得多（标签通常是用户免费提供的）。 因此，我们不太可能在近期内看到与分类数据集相同规模的检测数据集。

  利用我们已经拥有的大量分类数据， 并用它来扩大当前检测系统的范围。我们的方法使用目标分类的分层 视图，允许我们将不同的数据集组合在一起。

   我们还提出了一种联合训练算法，使我们能够在检测和分类数据 上训练目标检测器。我们的方法利用有标签的检测图像来学习精确定 位物体，同时使用分类图像来增加词表和鲁棒性。

   使用这种方法我们训练 YOLO9000，一个实时的目标检测器，可 以检测超过 9000 种不同的目标类别。首先，我们改进 YOLO 基础检 测系统，产生最先进的实时检测器 YOLOv2。然后利用我们的数据集 组合方法和联合训练算法对来自 ImageNet 的 9000 多个类别以及 COCO 的检测数据训练了一个模型。

图 1：YOLO9000。YOLO9000 可以实时检测许多目标类别。

  我 们 的 所 有 代 码 和 预 训 练 模 型 都 可 在 线 获 得 。

2. 更好

  与最先进的检测系统相比，YOLO 有许多缺点。YOLO 与 Fast RCNN 的误差分析比较表明，YOLO 存在大量的定位误差。此外，与 基于 region proposal 的方法相比，YOLO 召回率相对较低。因此，我 们主要侧重于提高召回率和改进目标精确定位，同时保持分类准确性。

  计算机视觉一般趋向于更大、更深的网络[6][18][17]。更好的性 能通常取决于训练更大的网络或将多个模型组合在一起。但是，在 YOLOv2 中，我们需要一个更精确的检测器，而且需要它仍然很快。 我们不是扩大我们的网络，而是简化网络，然后让表示更容易学习。 我们将过去的工作与我们自己的新概念汇集起来，以提高 YOLO 的 性能。表 2 列出了结果总结。

  批归一化。批归一化会获得收敛性的显著改善，同时消除了对其 他形式正则化的需求[7]。通过在 YOLO 的所有卷积层上添加批归一 化，我们在 mAP 中获得了超过 2%的改进。批归一化也有助于模型正 则化。通过批归一化，我们可以从模型中删除 dropout 而不会过拟合。

   高分辨率分类器。所有最先进的检测方法都使用在 ImageNet[16] 上预训练的分类器。从 AlexNet 开始，大多数分类器对小于 256× 256[8]的输入图像进行操作。YOLO 初始版本以 224×224 分辨率的 图像训练分类器网络，并在检测时将分辨率提高到 448。这意味着网 络必须同时切换到学习目标检测和调整到新的输入分辨率。

   对于 YOLOv2，我们首先在 ImageNet 上以 448×448 的分辨率对 分类网络进行 10 个迭代周期的 fine tune。这使得网络来调整其卷积 核以便更好地处理更高分辨率的输入。然后我们对得到的网络进行 fine tune 并用于检测任务。这个高分辨率分类网络使我们增加了近 4% 的 mAP。

   具有 Anchor 框的卷积。YOLO 直接使用卷积特征提取器顶部的 全连接层来预测边界框的坐标。Faster R-CNN 使用手动选择的先验来 预测边界框而不是直接预测坐标[15]。Faster R-CNN 中的 region proposal 网络（RPN）仅使用卷积层来预测 Anchor 框的偏移和置信 度。由于预测层是卷积类型的层，所以 RPN 在特征图的每个位置上 预测这些偏移。预测偏移而不是坐标简化了问题，并且使网络更容易 学习。

   我们从 YOLO 中移除全连接层，并使用 Anchor 框来预测边界框。 首先，我们去除了一个池化层，使网络卷积层输出具有更高的分辨率。 我们还缩小了网络，操作 416×416 的输入图像而不是 448×448。我 们这样做是因为我们要在我们的特征图中位置个数是奇数，所以只会 有一个中心格子。目标，特别是大目标，往往占据图像的中心，所以 在中心有一个单独的位置来预测这些目标的很好的，而不是四个都相 邻的位置。YOLO 的卷积层将图像下采样 32 倍，所以通过使用 416 的输入图像，我们得到了 13×13 的输出特征图。

   当我们移动到 Anchor 框时，我们也将类预测机制与空间位置分 离，预测每个 Anchor 框的类别和目标。与 YOLO 类似，是否为目标 的预测仍然预测了真值和 proposal 的边界框的 IOU，并且类别预测预 测了当存在目标时该类别的条件概率。

   使用 Anchor 框，我们的精度发生了一些小的下降。YOLO 对每 张图像只预测 98 个边界框，但是使用 Anchor 框我们的模型预测超过 一千个。如果不使用 Anchor 框，我们的中间模型将获得69.5 的mAP， 召回率为 81%。使用 Anchor 框的模型得到了 69.2 mAP，召回率为 88%。尽管 mAP 下降了一点，但召回率的上升意味着我们的模型有 更大的改进空间。

   维度聚类。当 Anchor 框与 YOLO 一起使用时，我们遇到了两个 问题。首先是边界框尺寸是手工挑选的。网络可以学习到如何适当调 整边界框，但如果我们为网络选择更好的先验，我们可以使网络更容 易学习它以便获得更好的检测结果。

   我们不用手工选择先验，而是在训练集边界框上运行 k-means 聚 类，自动找到好的先验。如果我们使用欧式距离的标准 k-means，那 么较大的边界框比较小的边界框产生更多的误差。然而，我们真正想 要的是产生好的 IOU 分数的先验，这是独立于边界框大小的。因此， 对于我们的距离度量，我们使用：

d(box,centroid)=1−IOU(box,centroid)

如图 2 所示，我们运行不同 k 值的 k-means，并画出平均 IOU 与 最接近的几何中心的关系图。我们选择 k=5 时模型复杂性和高召回率 之间的具有良好的权衡。聚类中心与手工挑选的 Anchor 框明显不同。 聚类结果有更短更宽的边界框，也有更高更细的边界框。

  在表 1 中我们将平均 IOU 与我们聚类策略中最接近的先验以及 手工选取的 Anchor 框进行了比较。仅有 5 个先验中心的平均 IOU 为 61.0，其性能类似于 9 个 Anchor 框的 60.9。如果我们使用 9 个中心， 我们会看到更高的平均 IOU。这表明使用 k-means 来生成我们的边界 框会以更好的表示开始训练模型，并使得任务更容易学习。

  直接定位预测。当 YOLO 使用 Anchor 框时，我们会遇到第二个 问题：模型不稳定，特别是在早期的迭代过程中。大部分的不稳定来 自预测边界框的(x,y)位置。在 region proposal 网络中，网络预测值 tx 和 ty，(x, y)中心坐标计算如下：

  例如，预测 tx=1 会将边界框向右移动 Anchor 框的宽度，预测 tx=−1 会将其向左移动相同的宽度。

  这个公式是不受限制的，所以任何 Anchor 框都可以在图像任一 点结束，而不管在哪个位置预测该边界框。随机初始化模型需要很长 时间才能稳定以预测合理的偏移量。

   我们没有预测偏移量，而是按照 YOLO 的方法预测相对于网格 单元位置的位置坐标。这使得真值落到了0和1之间。我们使用logistic 激活函数来限制网络的预测值落在这个范围内。

  网络预测输出特征图中每个格子的 5 个边界框。网络预测每个边 界框的 5 个坐标，tx、ty、tw、th 和 to。如果格子相对于图像的左上 角偏移量为(cx, cy)，边界框先验的宽度和高度为 pw, ph，那么预测结 果对应为：

  由于我们限制位置预测参数化更容易学习，使网络更稳定。使用 维度聚类以及直接预测边界框中心位置的方式比使用 Anchor 框的版 本将 YOLO 提高了近 5%。

  细粒度特征。这个修改后的 YOLO 在 13×13 特征图上预测检测 结果。虽然这对于大型目标来说已经足够了，但它通过更细粒度的特 征定位出更小的目标。Faster R-CNN 和 SSD 都在网络的各种特征图 上运行他们提出的网络，以获得一系列的分辨率。我们采用不同的方 法，仅仅添加一个 passthrough 层，从 26x26 分辨率的更早层中提取 特征。

  passthrough 层通过将相邻特征堆叠到不同的通道而不是空间位 置来连接较高分辨率特征和较低分辨率特征，类似于 ResNet 中的恒 等映射。将 26×26×512 特征图变成 13×13×2048 特征图（译者注： 如何将 26×26×512 变成 13×13×2048？26×26×512 首先变成 4 个 13×13×512，然后在通道方向上将 4 个拼接在一起就成了 13×13× 2048），其可以与原始特征连接。我们的检测器运行在这个扩展的特 征图之上，以便它可以访问细粒度的特征。这会使性能提高 1%。

  多尺度训练。原来的 YOLO 使用 448×448 的输入分辨率。通过 添加 Anchor 框，我们将分辨率更改为 416×416。但是，由于我们的 模型只使用卷积层和池化层，因此它可以动态调整大小。我们希望 YOLOv2 能够鲁棒地运行在不同大小的图像上，因此我们可以将该特 性训练到模型中。

  我们没有固定输入图像的大小，而是每隔几次迭代就改变网络。 每隔 10 个批次我们的网络会随机选择一个新的图像尺寸大小。由于 我们的模型缩减了 32 倍，我们从下面的 32 的倍数中选择： {320,352，…，608}。因此最小的是 320×320，最大的是 608×608。 我们将网络调整到这些尺寸并继续训练。

  这个模型架构迫使网络学习如何在各种输入维度上完成较好的 预测。这意味着相同的网络可以预测不同分辨率下的检测结果。在更 小尺寸上网络运行速度更快，因此 YOLOv2 在速度和准确性之间得 到了一个简单的折衷。

  分辨率较低时 YOLOv2 可以作为一个低成本、相当准确的检测 器。在 288×288 时，其运行速度超过 90FPS，mAP 与 Fast R-CNN 差 不多。这使其成为小型 GPU、高帧率视频或多视频流的理想选择。

  在高分辨率下，YOLOv2 是 VOC 2007 上最先进的检测器，mAP 达到了 78.6，同时能够保持实时检测的速度要求。如表 3 所示为 YOLOv2 与其他框架在 VOC 2007 上的比较

  进一步实验。我们在 VOC 2012 上训练 YOLOv2 检测模型。表 4 所显为 YOLOv2 与其他最先进的检测系统性能比较的结果。YOLOv2 取得了 73.4 mAP 的同时运行速度比比对方法快的多。我们在 COCO 上进行了训练，并与表 5 中其他方法进行比较。在 VOC 指标（IOU = 0.5）上，YOLOv2 得到 44.0 mAP，与 SSD 和 Faster R-CNN 相当。

3. 更快

  我们不仅希望检测是准确的，而且我们还希望它速度也快。大多 数检测应用（如机器人或自动驾驶机车）依赖于低延迟预测。为了最 大限度提高性能，我们从头开始设计 YOLOv2。

  大多数检测框架依赖于 VGG-16 作为的基础特征提取器[17]。 VGG-16 是一个强大的、准确的分类网络，但它有些过于复杂。在单 张图像 224×224 分辨率的情况下，VGG-16 的卷积层运行一次前向 传播需要 306.90 亿次浮点运算。

  YOLO 框架使用基于 GoogLeNet 架构[19]的自定义网络。这个网 络比 VGG-16 更快，一次前向传播只有 85.2 亿次的计算操作。然而， 它的准确性比 VGG-16 略差（译者注：ILSVRC2014 竞赛中 GoogLeNet 获得分类任务第一名，VGG 第二名，但是在定位任务中 VGG 是第一 名）。在 ImageNet 上，对于单张裁剪图像，224×224 分辨率下的 top5 准确率，YOLO 的自定义模型获得了 88.0%，而 VGG-16 则为 90.0%。

  Darknet-19。我们提出了一个新的分类模型作为 YOLOv2 的基 础。我们的模型建立在网络设计先前工作以及该领域常识的基础上。 与 VGG 模型类似，我们大多使用 3×3 卷积核，并在每个池化步骤之 后使得通道数量加倍[17]。按照 Network in Network（NIN）的工作， 我们使用全局平均池化的结果做预测，并且使用 1×1 卷积核来压缩 3×3 卷积之间的特征表示[9]。我们使用批归一化来稳定训练、加速 收敛，并正则化模型[7]。

  我们的最终模型叫做 Darknet-19，它有 19 个卷积层和 5 个最大 池化层。完整描述请看表 6。Darknet-19 只需要 55.8 亿次运算来处理 图像，但在 ImageNet 上却达到了 72.9%的 top-1 准确率和 91.2%的 top-5 准确率。

  分类训练。我们使用 Darknet 神经网络结构，使用随机梯度下降、 初始学习率为 0.1、学习率多项式衰减系数为 4、权重衰减为 0.0005、 动量为 0.9，在标准 ImageNet 1000 类分类数据集上训练网络 160 个 迭代周期[13]。在训练过程中，我们使用标准的数据增强技巧，包括 随机裁剪、旋转、以及色调、饱和度和曝光的改变。

  如上所述，在我们对 224×224 的图像进行初始训练之后，我们 对网络在更大的尺寸 448 上进行了 fine tune。对于这种 fine tune，我 们使用上述参数进行训练，但是只有 10 个迭代周期，并且以 10−3的 学习率开始（译者注：fine-tune 时通常会使用较低的学习率）。在这种更高的分辨率下，我们的网络达到了 76.5%的 top-1 准确率和 93.3% 的 top-5 准确率。

  检测训练。我们修改这个网络使得可以用于检测任务，删除了最 后一个卷积层，加上了三层具有 1024 个卷积核的 3×3 卷积层，每层 后面接 1×1 卷积层，卷积核数量与我们检测输出数量一致。对于 VOC， 我们预测 5 个边界框，每个边界框有 5 个坐标和 20 个类别，所以有 125 个卷积核。我们还添加了从最后的 3×3×512 层到倒数第二层卷 积层的直通层，以便我们的模型可以使用细粒度特征。

  我们训练网络 160 个迭代周期，初始学习率为 10−3，在 60 个和 90 个迭代周期时将学习率除以 10。我们使用 0.0005 的权重衰减和 0.9 的动量。我们对 YOLO 和 SSD 进行类似的数据增强：随机裁剪、色 彩改变等。我们对 COCO 和 VOC 使用相同的训练策略。

4. 更强

  我们提出了一个联合训练分类和检测数据的机制。我们的方法使 用标记为检测的图像来学习边界框坐标预测和目标之类的特定检测 信息以及如何对常见目标进行分类。它使用仅具有类别标签的图像来 扩展可检测类别的数量。

  在训练期间，我们混合来自检测数据集和分类数据集的图像。当 我们的网络看到标记为检测的图像时，我们可以基于完整的 YOLOv2 损失函数进行反向传播。当它看到一个分类图像时，我们只能从该架 构特定的分类部分反向传播损失。

  这种方法存在一些挑战。检测数据集只有常见目标和通用标签， 如“狗”或“船”。分类数据集具有更广更深的标签范围。ImageNet 有超过一百种品种的狗，包括 Norfolk terrier，Yorkshire terrier 和 Bedlington terrier。如果我们想在两个数据集上训练，我们需要一个连 贯的方式来合并这些标签。

  大多数分类方法使用跨所有可能类别的 softmax 层来计算最终的 概率分布。使用 softmax 假定这些类是互斥的。这给数据集的组合带 来了问题，例如你不想用这个模型来组合 ImageNet 和 COCO，因为 类 Norfolk terrier 和 dog 不是互斥的。

  我们可以改为使用多标签模型来组合不假定互斥的数据集。这种 方法忽略了我们已知的关于数据的所有结构，例如，所有的 COCO 类 是互斥的。
&
  分层分类。ImageNet 标签是从 WordNet 中提取的，这是一个构 建概念及其相互关系的语言数据库[12]。在 WordNet 中，Norfolk terrier 和 Yorkshire terrier 都是 terrier 的下义词，terrier 是一种 hunting dog， hunting dog 是 dog，dog 是 canine 等。分类的大多数方法假设标签是 一个扁平结构，但是对于数据集的组合，结构正是我们所需要的。

   WordNet 的结构是有向图，而不是树，因为语言是复杂的。例如， dog 既是一种 canine（犬），也是一种 domestic animal（家畜），它 们都是 WordNet 中的同义词。我们不是使用完整的图结构，而是通过 从 ImageNet 的概念中构建分层树来简化问题。

   为了构建这棵树，我们检查了 ImageNet 中的视觉名词，并查看 它们通过 WordNet 图到根节点的路径，在这种情况下是“物理对象”。 许多同义词通过图只有一条路径，所以首先我们将所有这些路径添加 到我们的树中。然后我们反复检查我们留下的概念，并尽可能少地添 加生长树的路径。所以如果一个概念有两条路径到一个根，一条路径 会给我们的树增加三条边，另一条只增加一条边，我们选择更短的路径。

  最终的结果是 WordTree，一个视觉概念的分层模型。为了使用 WordTree 进行分类，我们预测每个节点的条件概率，以得到同义词 集合中每个同义词下义词的概率。例如，在 terrier 节点我们预测：

• Pr(Norfolk terrier|terrier)
• Pr(Yorkshire terrier|terrier)
• Pr(Bedlington terrier|terrier) …

  如果我们想要计算一个特定节点的绝对概率，我们只需沿着通过 树到达根节点的路径，再乘以条件概率。所以如果我们想知道一张图 片是否是 Norfolk terrier，我们计算：

• Pr(Norfolk terrier)=Pr(Norfolk terrier|terrier)
• *Pr(terrier|hunting dog)
• …
• *Pr(mammal|Pr(animal)
• *Pr(animal|physical object)

  对于分类任务，我们假定图像只包含一个目标：Pr(physical object)=1。

  为了验证这种方法，我们在使用 1000 类 ImageNet 构建的 WordTree 上训练 Darknet-19 模型。为了构建 WordTree1k，我们添加 了所有将标签空间从 1000 扩展到 1369 的中间节点。在训练过程中， 我们将真实标签向树上面传播，以便如果图像被标记为 Norfolk terrier， 则它也被标记为 dog 和 mammal 等。为了计算条件概率，我们的模型 预测了具有 1369 个值的向量，并且我们计算了相同概念的下义词在 所有同义词集上的 softmax，见图 5。

  使用与之前相同的训练参数，我们的分层 Darknet-19 达到 71.9% 的 top-1 准确率和 90.4%的 top-5 准确率。尽管增加了 369 个额外的概 念，而且我们的网络预测了一个树状结构，但我们的准确率仅下降了 一点点。以这种方式进行分类也有一些好处。在新的或未知的目标类 别上性能不会下降太多。例如，如果网络看到一只狗的照片，但不确 定它是什么类型的狗，它仍然会高度自信地预测“狗”，但是扩展到 下义词后可能有更低的置信度。

  这个构想也适用于检测。现在，我们不是假定每张图像都有一个 目标，而是使用 YOLOv2 的目标预测器给我们 Pr(physical object)的 值。检测器预测边界框和概率树。我们遍历树，在每个分割中采用最 高的置信度路径，直到达到某个阈值，然后我们预测目标类。

   使用 WordTree 组合数据集。我们可以使用 WordTree 以合理的 方式将多个数据集组合在一起。我们只需将数据集中的类别映射到树 中的同义词集（synsets）即可。图 6 显示了使用 WordTree 来组合来 自 ImageNet 和 COCO 的标签的示例。WordNet 是非常多样化的，所 以我们可以在大多数数据集中使用这种技术。

   联合分类和检测。现在我们可以使用 WordTree 组合数据集，我 们可以在分类和检测上训练联合模型。我们想要训练一个非常大规模 的检测器，所以我们使用 COCO 检测数据集和完整的 ImageNet 版本 中的前 9000 个类来创建我们的组合数据集。我们还需要评估我们的 方法，因此还添加了 ImageNet 检测挑战中未包含的类。该数据集的 对应的 WordTree 有 9418 个类别。ImageNet 相比于 COCO 是一个更 大的数据集，所以我们通过对 COCO 进行过采样来平衡数据集，使 得 ImageNet 仅仅大于 4:1 的比例。

   使用这个数据集我们训练 YOLO9000。我们使用基础的 YOLOv2 架构，但只有 3 个先验（priors）而不是 5 个来限制输出大小。当我 们的网络看到一个检测图像时，我们正常地对损失进行反向传播。对 于分类损失，我们仅在等于或高于标签对应的层对损失进行反向传播。 例如，如果标签是“狗”，我们将沿着树向下进一步预测“德国牧羊 犬”与“金毛猎犬”之间的差异，因为我们没有这些信息。

   当它看到分类图像时，我们只能反向传播分类损失。要做到这一 点，我们只需找到预测该类别最高概率的边界框，然后计算其预测树 上的损失。我们还假设预测边界框与真实标签重叠至少 0.3 的 IOU， 并且基于这个假设反向传播目标损失。

   使用这种联合训练，YOLO9000 学习使用 COCO 中的检测数据 来查找图像中的目标，并学习使用来自 ImageNet 的数据对各种目标 进行分类。

   我们在 ImageNet 检测任务上评估了 YOLO9000。ImageNet 的检 测任务与 COCO 共有的目标类别有 44 个，这意味着 YOLO9000 只能 看到大多数测试图像的分类数据，而不是检测数据。YOLO9000 在从 未见过任何标记的检测数据的情况下，整体上获得了 19.7 mAP，在 不相交的 156 个目标类别中获得了 16.0 mAP。这个 mAP 高于 DPM 的结果，但是 YOLO9000 在不同的数据集上训练，只有部分监督[4]。 它也同时检测 9000 个其他目标类别，所有的都是实时的。

   当我们分析 YOLO9000 在 ImageNet 上的性能时，我们发现它很 好地学习了新的动物种类，但是却在像服装和设备这样的学习类别中 效果不好。新动物更容易学习，因为目标预测可以从 COCO 中的动 物泛化的很好。相反，COCO 没有任何类型的衣服的边界框标签，只 有针对人的检测标签，因此 YOLO9000 很难建模好“墨镜”或“泳 裤”等类别。

5. 结论

   我们介绍了 YOLOv2 和 YOLO9000，两个实时检测系统。 YOLOv2 在各种检测数据集上都是最先进的，也比其他检测系统更快。 此外，它可以运行在各种图像大小，以提供速度和准确性之间的平滑 折衷。

   YOLO9000 是一个通过联合优化检测和分类来检测 9000 多个目 标类别的实时框架。我们使用 WordTree 将各种来源的数据和我们的 联合优化技术相结合，在 ImageNet 和 COCO 上同时进行训练。 YOLO9000 是在检测和分类之间缩小数据集大小差距的重要一步。

  我们的许多技术都可以泛化到目标检测之外。我们对 ImageNet 的 WordTree 表示为图像分类提供了更丰富、更详细的输出空间。使 用分层分类的数据集组合在分类和分割领域将是有用的。像多尺度训 练这样的训练技术可以为各种视觉任务提供益处。

  对于未来的工作，我们希望使用类似的技术来进行弱监督的图像 分割。我们还计划使用更强大的匹配策略来改善我们的检测结果，以 在训练期间将弱标签分配给分类数据。计算机视觉需要大量标记的数 据。我们将继续寻找方法，将不同来源和数据结构的数据整合起来， 形成更强大的视觉世界模型。