用于图像显著性检测的监督对抗网络
计算机视觉与模式识别
2017-04-27 v2
摘要
在过去的几年中，生成对抗网络（GAN）成为一个普遍的研究课题。通过定义两个卷积神经网络（G-Network 和 D-Network）并在训练过程中引入它们之间的对抗过程，GAN 能够从随机向量生成看起来像自然图像的高质量图像。除了图像生成，GAN 可能有潜力处理广泛的现实世界问题。在本文中，我们遵循 GAN 的基本思想，提出了一种用于图像显著性检测的新模型，称为监督对抗网络（SAN）。具体地，SAN 也同时训练两个模型：G-Network 将自然图像作为输入并生成相应的显著性图（合成显著性图），而 D-Network 被训练以判定一个样本是合成显著性图还是真值显著性图。然而，与 GAN 不同，所提方法通过应用训练集的类标签，使用全监督学习来学习 G-Network 和 D-Network。此外，一种称为 conv-comparison layer 的新型层被引入到 D-Network 中，通过迫使合成显著性图与真值的高层特征尽可能相似，来进一步提升显著性性能。在 Pascal VOC 2012 数据库上的实验结果表明，SAN 模型能为许多复杂自然图像生成高质量显著性图。
引用
@article{arxiv.1704.07242,
title = {Supervised Adversarial Networks for Image Saliency Detection},
author = {Hengyue Pan and Hui Jiang},
journal= {arXiv preprint arXiv:1704.07242},
year = {2017}
}