基于对抗节奏学习的低成本显著目标检测
计算机视觉与模式识别
2021-04-06 v1
摘要
近年来，从给定图像场景中检测并分割显著目标受到了广泛关注。训练现有深度显著性检测模型的一个根本挑战是需要大量标注数据。虽然收集大量训练数据已变得廉价且容易，但数据标注在时间、人力和专业知识方面是一项昂贵的过程。为解决该问题，本文提出仅基于少量训练图像的人工标注来学习有效的显著目标检测模型，从而大幅减轻训练模型中的人力劳动。为此，我们将该任务命名为低成本显著目标检测，并提出一种基于对抗节奏学习（APL）的框架以促进低成本学习场景。本质上，APL 源自自节奏学习（SPL）范式，但它通过数据驱动的对抗学习机制推断鲁棒的学习节奏，而非启发式地设计学习正则化器。在四个广泛使用的基准数据集上的综合实验表明，所提方法仅用 1k 张人工标注的训练图像即可有效逼近现有的监督深度显著目标检测模型。项目页面见 https://github.com/hb-stone/FC-SOD。
引用
@article{arxiv.2104.01928,
title = {Few-Cost Salient Object Detection with Adversarial-Paced Learning},
author = {Dingwen Zhang and Haibin Tian and Jungong Han},
journal= {arXiv preprint arXiv:2104.01928},
year = {2021}
}