3SD：无标签的自监督显著性检测
计算机视觉与模式识别
2022-03-10 v1
摘要
我们提出了一种概念上简单的自监督显著性检测方法。我们的方法生成并使用伪真值标签进行训练。所生成的伪-GT 标签不需要任何形式的人工标注（例如像素级标签或涂鸦等弱标签）。近期工作表明，从分类任务中提取的特征提供了显著对象的结构与语义信息等重要显著性线索。我们的方法称为 3SD，通过在显著对象检测并行地添加一个自监督分类任务分支来获取类激活图（CAM maps），从而利用这一思路。这些 CAM 图与输入图像的边缘一起用于生成伪-GT 显著性图以训练我们的 3SD 网络。具体而言，我们提出一种基于对比学习的多图像块分类任务训练方法。我们展示了采用对比损失的多块分类相比在整幅图像上的朴素分类提升了 CAM 图的质量。在六个基准数据集上的实验表明，无需任何标签，我们的 3SD 方法优于所有现有的弱监督与无监督方法，且其性能与全监督方法相当。代码见：https://github.com/rajeevyasarla/3SD
引用
@article{arxiv.2203.04478,
title = {3SD: Self-Supervised Saliency Detection With No Labels},
author = {Rajeev Yasarla and Renliang Weng and Wongun Choi and Vishal Patel and Amir Sadeghian},
journal= {arXiv preprint arXiv:2203.04478},
year = {2022}
}