基于局部显著性一致性的弱监督显著性目标检测
计算机视觉与模式识别
2020-12-10 v2
摘要
稀疏标签近年来备受关注。然而，弱监督与全监督显著性目标检测方法之间的性能差距巨大，且以往多数弱监督工作采用带有诸多繁琐细节的复杂训练方法。在本工作中，我们提出了一种一轮端到端的弱监督显著性目标检测训练方法，通过涂鸦（scribble）标注实现，无需预处理/后处理操作或额外监督数据。由于涂鸦标签无法提供详细的显著区域，我们提出局部一致性损失（local coherence loss），基于图像特征和像素距离将标签传播至未标注区域，从而预测具有完整物体结构的整体显著区域。我们设计了显著性结构一致性损失（saliency structure consistency loss）作为自一致机制，以确保以同一图像的不同尺度作为输入时能预测出一致的显著性图，这可视为一种增强模型泛化能力的正则化技术。此外，我们设计了聚合模块（AGGM）以更好地整合高层特征、低层特征和全局上下文信息，供解码器聚合各类信息。大量实验表明，我们的方法在六个基准上达到了新的最先进（state-of-the-art）性能（例如对于 ECSSD 数据集：F_\beta = 0.8995，E_\xi = 0.9079，MAE = 0.0489），相较此前该任务最佳方法，F-measure 平均提升 4.60%，E-measure 平均提升 2.05%，MAE 平均提升 1.88%。源代码见 http://github.com/siyueyu/SCWSSOD。
引用
@article{arxiv.2012.04404,
title = {Structure-Consistent Weakly Supervised Salient Object Detection with Local Saliency Coherence},
author = {Siyue Yu and Bingfeng Zhang and Jimin Xiao and Eng Gee Lim},
journal= {arXiv preprint arXiv:2012.04404},
year = {2020}
}
备注
Accepted by AAAI2021