从深度促进显著性：深度无监督 RGB-D 显著性检测
计算机视觉与模式识别
2022-05-17 v1
摘要
近年来，RGB-D 显著性目标检测（RGB-D SOD）受到越来越多的关注，部分归因于深度传感器的普及与深度学习技术的快速进展。遗憾的是，现有 RGB-D SOD 方法通常需要大量在像素级被彻底标注的训练图像。费力且耗时的手动标注已成为各种实际场景中的真正瓶颈。另一方面，当前无监督 RGB-D SOD 方法仍严重依赖手工特征表示。这促使我们在本文中提出一种深度无监督 RGB-D 显著性检测方法，其在训练过程中无需手动像素级标注。这通过我们训练流程中的两个关键要素实现。首先，设计了一种深度解耦显著性更新（DSU）框架，以迭代后续精炼的方式自动生成伪标签，为训练显著性网络提供更可信的监督信号。其次，引入一种注意力训练策略，通过适当重加权以突出更可靠的伪标签，从而解决噪声伪标签问题。大量实验证明了我们的方法在应对具有挑战性的无监督 RGB-D SOD 场景时的优越效率与有效性。此外，我们的方法也可适配于全监督情形。实证研究表明，将我们的方法融入现有监督 RGB-D SOD 模型可带来显著的性能提升。
引用
@article{arxiv.2205.07179,
title = {Promoting Saliency From Depth: Deep Unsupervised RGB-D Saliency Detection},
author = {Wei Ji and Jingjing Li and Qi Bi and Chuan Guo and Jie Liu and Li Cheng},
journal= {arXiv preprint arXiv:2205.07179},
year = {2022}
}
备注
This paper appeared at ICLR 2022