SILT：用于从噪声标签中学习检测阴影的阴影感知迭代标签微调
计算机视觉与模式识别
2023-08-24 v1
摘要
现有的阴影检测数据集常包含缺失或误标的阴影，这会阻碍直接在此类数据上训练的深学习模型性能。为解决该问题，我们提出 SILT（Shadow-aware Iterative Label Tuning，阴影感知迭代标签微调）框架，其显式考虑阴影标签中的噪声并以自训练方式训练深度模型。具体而言，我们结合强数据增强与阴影伪造，帮助网络更好地识别非阴影区域并缓解过拟合。我们还设计了一种简洁而有效的标签微调策略，利用全局-局部融合与阴影感知滤波，促使网络对噪声标签进行显著修正。我们通过重新标注 SBU 数据集的测试集并进行多种实验来评估 SILT 的性能。结果表明，即便是一个用 SILT 训练的简易 U-Net，也能大幅超越所有最先进（state-of-the-art, SOTA）方法。在 SBU / UCF / ISTD 上训练时，我们的网络相较最佳 SOTA 方法可将平衡错误率分别降低 25.2% / 36.9% / 21.3%。
引用
@article{arxiv.2308.12064,
title = {SILT: Shadow-aware Iterative Label Tuning for Learning to Detect Shadows from Noisy Labels},
author = {Han Yang and Tianyu Wang and Xiaowei Hu and Chi-Wing Fu},
journal= {arXiv preprint arXiv:2308.12064},
year = {2023}
}
备注
Accepted by ICCV 2023