利用互补图像标签学习实例级显著目标检测

现有的显著实例检测（SID）方法通常从像素级标注的数据集中学习。在本文中，我们首次提出了一种针对 SID 问题的弱监督方法。尽管弱监督已被考虑用于一般显著性检测，但主要基于使用类别标签进行目标定位。然而，仅使用类别标签来学习实例感知的显著性信息并非易事，因为具有高语义亲和力的显著实例可能无法通过标签轻易分离。由于子化信息提供了对显著项数量的瞬时判断，它自然与检测显著实例相关，并可能有助于分离同一类的实例，同时将同一实例的不同部分归为一组。受此观察启发，我们提出使用类别和子化标签作为 SID 问题的弱监督。我们提出了一种具有三个分支的新型弱监督网络：利用类别一致性信息定位候选目标的显著性检测分支；利用类别差异信息描绘目标边界的边界检测分支；以及使用子化信息检测显著实例质心的质心检测分支。然后将这些互补信息融合以生成显著实例图。为了促进学习过程，我们进一步提出了一种渐进式训练方案，通过以渐进式显著实例预测和模型刷新交替进行，来减少标签噪声及模型学到的相应噪声。我们的大量评估表明，所提出的方法优于从相关任务改编的精心设计的基线方法。