一种基于混合标签的显著目标检测弱监督学习框架
计算机视觉与模式识别
2022-09-08 v1
摘要
全监督显著目标检测（SOD）方法已取得很大进展，但此类方法常依赖大量像素级标注，耗时且费力。本文中，我们关注一种基于混合标签的新型弱监督SOD任务，其中监督标签包括大量由传统无监督方法生成的粗标签与少量真实标签。为解决该任务中的标签噪声与数量不平衡问题，我们设计了一种带有三种精细训练策略的新流水线框架。在模型框架方面，我们将任务解耦为标签精炼子任务与显著目标检测子任务，二者相互协作并交替训练。具体而言，R-Net被设计为配备带引导与聚合机制的混合器（BGA）的双流编码器-解码器模型，旨在纠正粗标签以获得更可靠的伪标签，而S-Net是一个可替换的SOD网络，由当前R-Net生成的伪标签监督。注意，测试时我们仅需使用训练好的S-Net。此外，为保证网络训练的有效性与效率，我们设计了三种训练策略，包括交替迭代机制、分组增量机制与可信度验证机制。在五个SOD基准上的实验表明，我们的方法在定性与定量上均取得了与弱监督/无监督方法相竞争的性能。
引用
@article{arxiv.2209.02957,
title = {A Weakly Supervised Learning Framework for Salient Object Detection via Hybrid Labels},
author = {Runmin Cong and Qi Qin and Chen Zhang and Qiuping Jiang and Shiqi Wang and Yao Zhao and Sam Kwong},
journal= {arXiv preprint arXiv:2209.02957},
year = {2022}
}
备注
Accepted by IEEE Transactions on Circuits and Systems for Video Technology 2022