用于显著性检测的多源弱监督方法

像素级标注的高成本使得利用弱监督训练显著性检测模型颇具吸引力。然而，单一的弱监督源通常不包含足够的信息来训练性能良好的模型。为此，我们提出了一个统一框架，利用多样化的弱监督源训练显著性检测模型。在本文中，我们使用类别标签、图像描述和未标注数据用于训练，但其他监督源也可插入这一灵活框架。我们设计了一个分类网络（CNet）和一个描述生成网络（PNet），它们分别学习预测物体类别和生成描述，同时突出对应任务中最重要区域。设计了一种注意力迁移损失在网络间传递监督信号，使得为某一监督源训练的网络可受益于另一监督源。在未标注数据上定义了注意力一致性损失，以鼓励网络检测一般显著性区域而非任务特定区域。我们利用CNet和PNet生成像素级伪标签来训练显著性预测网络（SNet）。在测试阶段，我们仅需SNet预测显著性图。实验表明，我们的方法性能优于无监督和弱监督方法，甚至优于某些有监督方法。