SESS:通过缩放与滑动增强显著性
计算机视觉与模式识别
2022-07-06 v1
摘要
高质量的显著性图在包括可解释 AI、弱监督目标检测与分割在内的若干机器学习应用领域中至关重要。许多技术已被开发用于利用神经网络生成更好的显著性。然而,它们通常局限于特定的显著性可视化方法或显著性问题。我们提出了一种称为 SESS(Saliency Enhancing with Scaling and Sliding,通过缩放与滑动增强显著性)的新型显著性增强方法。它是对现有显著性图生成方法的一种方法与模型无关的扩展。借助 SESS,现有显著性方法对尺度变化、目标对象的多次出现、干扰物的存在变得鲁棒,并生成噪声更少、更具判别性的显著性图。SESS 通过融合从不同区域不同尺度提取的多个图像块的显著性图来增强显著性,并使用一种结合通道权重和空间加权平均的新型融合方案组合这些独立图。为提高效率,我们引入了一个预过滤步骤,可排除无信息显著性图以提升效率,同时仍增强整体结果。我们在目标识别与检测基准上评估 SESS,其取得了显著改进。代码已公开发布以使研究者能够验证性能并进一步开发。代码见:https://github.com/neouyghur/SESS
引用
@article{arxiv.2207.01769,
title = {SESS: Saliency Enhancing with Scaling and Sliding},
author = {Osman Tursun and Simon Denman and Sridha Sridharan and Clinton Fookes},
journal= {arXiv preprint arXiv:2207.01769},
year = {2022}
}
备注
This paper will be presented at ECCV2022