合成边界：一种用于弱监督显著性目标检测的边界感知自一致框架
计算机视觉与模式识别
2024-12-30 v1
摘要
全监督显著性目标检测（SOD）基于带有像素级标注的昂贵且耗时数据已取得可观进展。近来，为缓解标注负担同时保持性能，一些基于涂鸦的 SOD 方法被提出。然而，从缺乏边缘信息的涂鸦标注中学习精确的边界细节仍然困难。本文中，我们提出从所设计的合成图像与标签中学习精确边界，且不引入任何额外辅助数据。该合成图像通过插入模拟显著物体真实凹区域的合成凹区域来创建边界信息。此外，我们提出一种由全局整体分支（GIB）与边界感知分支（BAB）组成的新型自一致框架以训练显著性检测器。GIB 旨在识别整体显著物体，其输入为原始图像；BAB 旨在辅助预测准确边界，其输入为合成图像。这两个分支通过自一致损失相连，以引导显著性检测器在识别显著物体的同时预测精确边界。在五个基准上的实验结果表明，我们的方法优于最先进的弱监督 SOD 方法，并进一步缩小了与全监督方法的差距。
引用
@article{arxiv.2212.01764,
title = {Synthesize Boundaries: A Boundary-aware Self-consistent Framework for Weakly Supervised Salient Object Detection},
author = {Binwei Xu and Haoran Liang and Ronghua Liang and Peng Chen},
journal= {arXiv preprint arXiv:2212.01764},
year = {2024}
}