深度无监督显著性检测：多重噪声标注视角
计算机视觉与模式识别
2018-03-30 v1
摘要
当前深度显著性检测方法的成功在很大程度上依赖于以逐像素标注形式提供的大规模监督。这种监督不仅费时费力且并非总能实现，还会阻碍所学模型的泛化能力。相比之下，基于传统手工特征的无监督显著性检测方法，尽管已被深度监督方法超越，但通常与数据集无关，并可在自然环境中应用。这引出了一个自然的问题：“是否可以在不使用标注数据的情况下学习显著性图，同时提高泛化能力？”。为此，我们提出了一种无监督显著性检测的新视角，即通过学习由“弱”且“带噪”的无监督手工显著性方法生成的多重噪声标注。我们用于无监督显著性检测的端到端深度学习框架由一个潜在显著性预测模块和一个噪声建模模块组成，二者协同工作并进行联合优化。显式的噪声建模使我们能够以概率方式处理带噪显著性图。在多个基准数据集上的大量实验结果表明，我们的模型不仅以巨大优势优于所有无监督显著性方法，还实现了与近期现有技术监督深度显著性方法相当的性能。
引用
@article{arxiv.1803.10910,
title = {Deep Unsupervised Saliency Detection: A Multiple Noisy Labeling Perspective},
author = {Jing Zhang and Tong Zhang and Yuchao Dai and Mehrtash Harandi and Richard Hartley},
journal= {arXiv preprint arXiv:1803.10910},
year = {2018}
}
备注
Accepted by IEEE/CVF CVPR 2018 as Spotlight