Ro-SOS: 用于鲁棒显著性目标分割的度量表达网络(MEnet)
计算机视觉与模式识别
2020-01-23 v3
摘要
尽管深度 CNN 已为图像显著性检测带来显著改进,大多数基于 CNN 的模型对压缩和噪声等失真敏感。本文中,我们提出一种端到端通用显著性目标分割模型,称为度量表达网络(MEnet),以处理具失真容忍度的显著性检测。在 MEnet 内,构建了一个新的拓扑度量空间,其隐式度量由深度网络确定。因此,我们得以在该潜空间内将观测图像中所有像素按语义分组为两个区域:显著区域与非显著区域。借助该架构,所有特征提取均在像素级进行,使显著目标的输出边界具有细粒度。此外,我们尝试从 Lipschitz 与 Jacobian 文献意义上对该网络的噪声鲁棒性给出一般性分析。实验表明,所提度量可生成有助于目标分割的鲁棒显著图。在多个公开基准上的测试显示 MEnet 取得了令人满意的性能。进一步,通过直接计算与鲁棒性度量,所提方法在失真输入上优于先前基于 CNN 的方法。
引用
@article{arxiv.1805.05638,
title = {Ro-SOS: Metric Expression Network (MEnet) for Robust Salient Object Segmentation},
author = {Delu Zeng and Yixuan He and Li Liu and Zhihong Chen and Jiabin Huang and Jie Chen and John Paisley},
journal= {arXiv preprint arXiv:1805.05638},
year = {2020}
}
备注
This version: 11 pages (12 with reference), 12 figures, 5 table; Version 1: 7 pages,7 figures, 4 tables; The paper for version 1 has been accepted by International Joint Conference on Artificial Intelligence (IJCAI),2018