基于交替反向传播从噪声标签学习噪声感知编解码器用于显著性检测
计算机视觉与模式识别
2020-07-27 v1
摘要
本文中，我们提出一种噪声感知编解码器框架，从噪声训练样本中解耦出一个干净的显著性预测器，其中噪声标签由基于无监督手工特征的方法生成。所提模型由两个由神经网络参数化的子模型组成：(1) 将输入图像映射到干净显著性图的显著性预测器，以及 (2) 从高斯隐向量产生噪声的隐变量模型噪声生成器。表示噪声标签的整个模型是这两个子模型之和。训练模型的目标是估计两个子模型的参数，并同时推断每个噪声标签对应的隐向量。我们提出使用交替反向传播（ABP）算法训练模型，该算法交替如下两步：(1) 通过学习反向传播以梯度上升估计两个子模型的参数，以及 (2) 推理反向传播以 Langevin 动力学推断训练噪声样本的隐向量。为防止网络收敛至平凡解，我们利用边缘感知平滑损失正则化隐藏显著性图，使其具有与对应图像相似的结构。在多个基准数据集上的实验结果表明了所提模型的有效性。
引用
@article{arxiv.2007.12211,
title = {Learning Noise-Aware Encoder-Decoder from Noisy Labels by Alternating Back-Propagation for Saliency Detection},
author = {Jing Zhang and Jianwen Xie and Nick Barnes},
journal= {arXiv preprint arXiv:2007.12211},
year = {2020}
}
备注
ECCV2020