从激活到显著性：为完全无监督显著性目标检测生成高质量标签

现有基于深度学习的无监督显著性目标检测（Unsupervised Salient Object Detection, USOD）方法依赖于有监督预训练的深度模型。此外，它们基于手工特征生成伪标签，缺乏高层语义信息。为克服这些缺陷，我们提出一种新的两阶段激活到显著性（Activation-to-Saliency, A2S）框架，有效挖掘高质量显著性线索以训练鲁棒的显著性检测器。值得注意的是，我们的方法不需要任何人工标注，甚至在预训练阶段亦如此。第一阶段，我们将一个无监督预训练的网络进行转换以聚合多层次特征至单一激活图，其中提出自适应决策边界（Adaptive Decision Boundary, ADB）辅助转换网络的训练。此外，提出一种新的损失函数以促进高质量伪标签的生成。第二阶段，开发一种自校正学习范式策略来训练显著性检测器并在线精炼伪标签。另外，我们使用两个残差注意力模块（Residual Attention Modules, RAMs）构建轻量级显著性检测器，大幅降低过拟合风险。在多个 SOD 基准上的大量实验证明，与现有 USOD 方法相比，我们的框架性能显著提升。而且，在 3,000 张图像上训练我们的框架耗时约 1 小时，比先前最先进的方法快 30$\times$ 以上。