基于回溯空间金字塔池化的图像分类器用于弱监督自上而下显著目标检测

自上而下的显著性模型生成的概率图会在由任务/目标（如目标检测）指定的目标位置处达到峰值。这类模型通常在完全监督的设置下训练，需要像素级的目标标注。我们提出了一种弱监督的自上而下显著性框架，仅使用指示图像中目标存在与否的二值标签。首先，通过回溯策略计算每个图像区域对基于CNN的图像分类器置信度的概率贡献，从而生成自上而下的显著性。从由快速自下而上显著性方法生成的一组图像显著性图中，我们选择最适合自上而下任务的最佳显著性图。选定的自下而上显著性图与自上而下显著性图相结合。具有高组合显著性的特征用于训练线性SVM分类器以估计特征显著性。该特征显著性与组合显著性融合，并通过多尺度超像素平均的显著性图进一步细化。我们评估了所提出的弱监督自上而下显著性方法的性能，并取得了与完全监督方法相当的性能。实验在七个具有挑战性的数据集上进行，定量结果与四个不同应用中的40种密切相关方法进行了比较。