利用千组图像进行判别性共识挖掘以实现更准确的协同显著目标检测

协同显著目标检测是从显著目标检测（SOD）和共同目标分割扩展而来的一项迅速发展的任务。其旨在检测给定图像组中共现的显著目标。基于现有数据集，已有许多有效的方法被提出。然而，CoSOD目前仍缺乏标准且高效的训练集，这使得在最近提出的CoSOD方法中选择训练集变得混乱。首先，全面分析了现有CoSOD训练集的缺点，并提出了潜在的改进方案以在一定程度上解决现有问题。特别是，本文引入了一个新的CoSOD训练集，命名为Co-Saliency of ImageNet（CoSINe）数据集。所提出的CoSINe在所有现有CoSOD数据集中包含的图像组数最多。此处获取的图像在类别、目标大小等方面跨越了广泛的多样性。在实验中，与所有现有数据集相比，在CoSINe上训练的模型能够以更少的图像实现显著更好的性能。其次，为了充分利用所提出的CoSINe，提出了一种名为分层实例感知共识挖掘器的新型CoSOD方法，该方法有效地从不同特征层级挖掘共识特征，并以目标感知的对比方式判别不同类别的目标。正如大量实验所示，所提出的HICOME在所有现有CoSOD测试集上均取得了SoTA性能。此外，还提供了几种适用于训练CoSOD模型的有用训练技巧。第三，利用CoSOD技术给出了实际应用以展示其有效性。最后，讨论了CoSOD剩余的挑战和潜在的改进，以启发未来的相关工作。源代码、数据集和在线演示将在github.com/ZhengPeng7/CoSINe上公开提供。