基于集成方法的无监督目标发现前景管理
计算机视觉与模式识别
2025-07-29 v1
摘要
无监督目标发现（Unsupervised Object Discovery, UOD）旨在无需人工标注的情况下检测和分割图像中的物体。近期在自监督表征学习方面的进展为UOD算法带来了一些成功。然而，由于缺乏真实标注，现有UOD方法面临两个挑战：1) 确定发现的区域是否为前景或背景，以及2) 知道剩余多少个未被发现的物体。为解决这两个问题，先前的解决方案依赖前景先验来判断发现的区域是否为前景，并进行一次或固定次数的发现。然而，现有的前景先验方法往往是经验性的且鲁棒性不足，固定的发现次数导致分割不足或过度，由于图像中物体数量的变化。本文引入UnionCut，这是一种基于最小割和集成方法构建的稳健且有依据的前景先验，能够检测图像中前景区域的并集，使UOD算法能够识别前景物体，并在图像中前景并集的大部分被分割后停止发现。此外，我们提出UnionSeg，这是UnionCut的一个蒸馏变换器，能够更高效和更准确地输出前景并集。我们的实验表明，通过结合UnionCut或UnionSeg，先前的SOTA UOD方法在各种基准测试中在单对象发现、显著性检测和自监督实例分割方面性能提升。代码已公开于https://github.com/YFaris/UnionCut。
引用
@article{arxiv.2507.20860,
title = {Ensemble Foreground Management for Unsupervised Object Discovery},
author = {Ziling Wu and Armaghan Moemeni and Praminda Caleb-Solly},
journal= {arXiv preprint arXiv:2507.20860},
year = {2025}
}
备注
Accepted by ICCV2025 (Highlight)