基于完整性学习的显著目标检测
计算机视觉与模式识别
2022-06-14 v7
摘要
尽管当前的显著目标检测（SOD）工作已取得显著进展，但在预测显著区域的完整性方面仍存在局限。我们在微观和宏观两个层面定义了完整性的概念。具体而言，在微观层面，模型应高亮属于某一显著对象的所有部分；与此同时，在宏观层面，模型需要发现给定图像中的所有显著对象。为促进 SOD 的完整性学习，我们设计了一种新颖的完整性认知网络（ICON），其探索了用于学习强完整性特征的三个重要组件。1）与现有更关注特征判别性的模型不同，我们引入了多样特征聚合（DFA）组件，以聚合具有不同感受野（即核形状与上下文）的特征并增加特征多样性。这种多样性是挖掘完整显著对象的基础。2）基于 DFA 特征，我们引入了完整性通道增强（ICE）组件，旨在增强突出完整显著对象的特征通道，同时抑制其他干扰通道。3）在提取增强特征后，采用部分-整体验证（PWV）方法来确定部分与整体对象特征是否具有强一致性。此类部分-整体一致性可进一步提升每个显著对象的微观层面完整性。为证明我们的 ICON 的有效性，我们在七个具挑战性的基准上进行了综合实验。我们的 ICON 在广泛的指标上优于基线方法。值得注意的是，在六个数据集上，我们的 ICON 相对于先前最佳模型在平均假阴性率（FNR）方面实现了约 10% 的相对提升。代码与结果见：https://github.com/mczhuge/ICON。
引用
@article{arxiv.2101.07663,
title = {Salient Object Detection via Integrity Learning},
author = {Mingchen Zhuge and Deng-Ping Fan and Nian Liu and Dingwen Zhang and Dong Xu and Ling Shao},
journal= {arXiv preprint arXiv:2101.07663},
year = {2022}
}
备注
TPAMI accepted