DeepUSPS：基于自监督的深度鲁棒无监督显著性预测
计算机视觉与模式识别
2021-03-16 v4 机器学习
图像与视频处理
摘要
基于深度神经网络（DNN）并利用高质量标签的图像显著目标检测成本高昂。替代性的无监督方法依赖于精心挑选多种手工设计的显著性方法来生成带噪声的伪真值标签。在本工作中，我们提出一种用于鲁棒无监督目标显著性预测的两阶段机制，其中第一阶段涉及对由不同手工设计方法生成的噪声伪标签进行精炼。每种手工设计方法都被一个学习生成伪标签的深度网络所替代。这些标签通过我们提出的自监督技术在多次迭代中逐步精炼。在第二阶段，由代表多种显著性方法的多个网络所产生的精炼标签被用于训练实际的显著性检测网络。我们表明，该自学习过程在不同数据集上优于所有现有的无监督方法。其结果甚至可与全监督的最先进方法相媲美。代码可在 https://tinyurl.com/wtlhgo3 获取。
引用
@article{arxiv.1909.13055,
title = {DeepUSPS: Deep Robust Unsupervised Saliency Prediction With Self-Supervision},
author = {Duc Tam Nguyen and Maximilian Dax and Chaithanya Kumar Mummadi and Thi Phuong Nhung Ngo and Thi Hoai Phuong Nguyen and Zhongyu Lou and Thomas Brox},
journal= {arXiv preprint arXiv:1909.13055},
year = {2021}
}
备注
NeuRIPS-2019 (Vancouver, Canada): camera ready version