用于伪装目标检测的置信度感知学习
计算机视觉与模式识别
2021-06-23 v1
摘要
置信度感知学习被证明是防止网络变得过度自信的有效方案。我们提出一种置信度感知的伪装目标检测框架，利用动态监督同时产生准确的伪装图和代表模型对当前预测认知的有意义“置信度”。设计了一个伪装目标检测网络以产生我们的伪装预测。然后，将其与输入图像拼接并送入置信度估计网络，产生单通道置信度图。我们为置信度估计网络生成动态监督，表示伪装预测与真值伪装图的一致性。利用所产生的置信度图，我们引入以置信度图为引导的置信度感知学习，在损失函数中更多关注困难/低置信度像素。我们声称，一旦训练完成，我们的置信度估计网络可在不依赖真值伪装图的情况下评估预测的像素级精度。在四个伪装目标检测测试数据集上的广泛结果表明所提模型在解释伪装预测方面具有优越性能。
引用
@article{arxiv.2106.11641,
title = {Confidence-Aware Learning for Camouflaged Object Detection},
author = {Jiawei Liu and Jing Zhang and Nick Barnes},
journal= {arXiv preprint arXiv:2106.11641},
year = {2021}
}