类别无关分割损失及其在显著性目标检测与分割中的应用
计算机视觉与模式识别
2021-08-21 v1 机器学习
摘要
本文提出了一种新的损失函数，称为类别无关分割（CAS）损失。通过 CAS 损失，类描述符在网络训练期间被学习。我们无需先验地定义类的标签，而是 CAS 损失以弱监督方式将具有相似外观的区域聚类在一起。此外，我们表明 CAS 损失函数是稀疏的、有界的，并且对类别不平衡具有鲁棒性。我们首先将 CAS 损失函数与全卷积 ResNet101 和 DeepLab-v3 架构应用于显著性目标检测的二值分割问题。我们在七个显著性目标检测数据集上，针对低保真度和高保真度训练数据的两种设置，研究了其相对于 SOTA 方法的性能。对于低保真度训练数据（不正确的类标签），类别无关分割损失在显著性目标检测数据集上以约 50% 的惊人优势优于 SOTA 方法。对于高保真度训练数据（正确的类标签），类别无关分割模型表现与 SOTA 方法一样好，并在大多数数据集上击败了 SOTA 方法。为了展示该损失函数在不同领域的实用性，我们随后还在通用分割数据集上进行了测试，其中类别无关分割损失以巨大优势优于竞争损失。
引用
@article{arxiv.2108.04226,
title = {Class-Agnostic Segmentation Loss and Its Application to Salient Object Detection and Segmentation},
author = {Angira Sharma and Naeemullah Khan and Muhammad Mubashar and Ganesh Sundaramoorthi and Philip Torr},
journal= {arXiv preprint arXiv:2108.04226},
year = {2021}
}
备注
IJCAI 2021 WSRL (Weakly Supervised Representation Learning) Workshop. arXiv admin note: substantial text overlap with arXiv:2010.14793