协同显著性检测的白送午餐：上下文调整
计算机视觉与模式识别
2021-10-04 v5
摘要
我们揭示了主流协同显著性检测系统中一个长期存在的问题：训练与测试之间确实存在不一致。构建高质量的协同显著性检测数据集需要耗时费力的像素级标注，这迫使大多数近期工作转而依赖语义分割或显著性检测数据集进行训练。然而，这些数据集中缺乏恰当的协同显著性以及多个前景物体的缺失，会导致模型学到虚假变异和固有偏差。为此，我们引入通过上下文调整进行反事实训练的思想，并提出一种“零成本”的组-剪切-粘贴（GCP）流程来利用现成图像并合成新样本。遵循 GCP，我们收集了一个称为上下文调整训练（CAT）的新数据集。CAT 包含 33,500 张图像，是当前协同显著性检测数据集的四倍。所有样本均自动以高质量掩码标注、物体类别和边缘图进行注释。在近期基准上的大量实验表明，CAT 可将各种最先进模型提升很大幅度（5% ~ 25%）。我们希望数据集的规模、多样性和质量能惠及该领域及更广泛的研究者。我们的数据集将通过项目页面公开获取。
引用
@article{arxiv.2108.02093,
title = {Free Lunch for Co-Saliency Detection: Context Adjustment},
author = {Lingdong Kong and Prakhar Ganesh and Tan Wang and Junhao Liu and Le Zhang and Yao Chen},
journal= {arXiv preprint arXiv:2108.02093},
year = {2021}
}