从噪声伪标签学习隐蔽物检测
计算机视觉与模式识别
2024-07-19 v1 人工智能
摘要
现有的隐蔽物检测（COD）方法依赖大规模的像素标注训练集，这些训练集既耗时又需要大量人力。虽然弱监督方法在标注效率方面具有优势，但由于隐蔽图像中前景与背景的视觉边界不清晰，其性能远不如人工标注。本文探索了将框作为隐蔽场景中的提示用于隐蔽物检测的潜力，提出了首个弱半监督 COD 方法，旨在以极少数量的完全标注图像实现高效益算的隐蔽物分割。关键在于，仅凭有限的数据集会产生严重噪声像素的伪标签。为此，我们提出了一种噪声校正损失函数，帮助模型在早期学习阶段识别正确的像素，并在记忆阶段纠正由噪声像素主导的误差梯度，从而最终实现对隐蔽物的准确分割。我们的方法在仅使用20%完全标注数据时，显示出优于当前最先进方法的优异性能。
引用
@article{arxiv.2407.13157,
title = {Learning Camouflaged Object Detection from Noisy Pseudo Label},
author = {Jin Zhang and Ruiheng Zhang and Yanjiao Shi and Zhe Cao and Nian Liu and Fahad Shahbaz Khan},
journal= {arXiv preprint arXiv:2407.13157},
year = {2024}
}
备注
Accepted by ECCV2024