基于不确定性感知学习的显著目标检测与伪装目标检测联合方法
计算机视觉与模式识别
2023-07-11 v1
摘要
显著目标吸引人类注意，通常从其周围环境中清晰凸显。相反，伪装目标与环境具有相似的颜色或纹理。在这种情况下，显著目标通常是非伪装的，而伪装目标通常并不显著。由于这种固有的矛盾属性，我们引入了一种不确定性感知学习流程，通过数据层面和任务层面的矛盾建模，广泛探索显著目标检测(SOD)与伪装目标检测(COD)的矛盾信息。我们首先利用这两个任务的数据集相关性，并指出COD数据集中的简单样本可作为SOD的困难样本，以提升SOD模型的鲁棒性。基于这两个模型应产生突出同一输入图像不同区域的激活图这一假设，我们进一步引入了一个具有联合任务对比学习框架的对比模块，以显式建模这两个任务的矛盾属性。与用于无监督表示学习的常规任务内对比学习不同，我们的对比模块旨在建模任务间相关性，从而实现跨任务表示学习。为从不确定性角度更好地理解这两个任务，我们广泛研究了用于建模两任务主要不确定性的不确定性估计技术，即任务不确定性(对应SOD)和数据不确定性(对应COD)，旨在有效估计各任务的困难区域以实现难度感知学习。在基准数据集上的实验结果表明，我们的方案同时实现了最先进的性能和信息丰富的不确定性估计。
引用
@article{arxiv.2307.04651,
title = {Joint Salient Object Detection and Camouflaged Object Detection via Uncertainty-aware Learning},
author = {Aixuan Li and Jing Zhang and Yunqiu Lv and Tong Zhang and Yiran Zhong and Mingyi He and Yuchao Dai},
journal= {arXiv preprint arXiv:2307.04651},
year = {2023}
}