从像素级噪声标签学习：光场显著性检测的新视角
计算机视觉与模式识别
2022-04-29 v1
摘要
利用光场图像的显著性检测因可用线索丰富而日益受到关注，然而这以昂贵的大规模像素级标注数据为代价。本文提出从基于无监督手工特征的显著性方法获得的像素级噪声标签中学习光场显著性。给定此目标，一个自然的问题是：我们能否在统一框架中高效结合光场线索间关系并识别干净标签？我们通过将学习表述为光场内特征融合流与场景间关联流的联合优化来生成预测，从而解决该问题。具体地，我们首先引入像素遗忘引导融合模块以相互增强光场特征，并利用跨迭代的像素一致性识别噪声像素。接下来，我们引入跨场景噪声惩罚损失以更好反映训练数据的潜在结构并使学习对噪声不变。在多个基准数据集上的大量实验证明了我们框架的优越性，显示其学到的显著性预测可与最先进的 fully supervised 光场显著性方法相媲美。我们的代码见 https://github.com/OLobbCode/NoiseLF。
引用
@article{arxiv.2204.13456,
title = {Learning from Pixel-Level Noisy Label : A New Perspective for Light Field Saliency Detection},
author = {Mingtao Feng and Kendong Liu and Liang Zhang and Hongshan Yu and Yaonan Wang and Ajmal Mian},
journal= {arXiv preprint arXiv:2204.13456},
year = {2022}
}
备注
Accepted by CVPR 2022