合成数据监督的显著性目标检测
计算机视觉与模式识别
2022-10-26 v1
摘要
尽管深度显著性目标检测（SOD）已取得显著进展，但深度SOD模型极度依赖数据，需要大规模像素级标注才能给出如此令人满意的结果。本文提出一种新颖而有效的SOD方法，称为SODGAN，它仅需少量标注数据即可生成无限高质量的图像-掩码对，且这些合成对可替代人工标注的DUTS-TR来训练任何现成的SOD模型。其贡献有三方面：1）我们提出的扩散嵌入网络能够解决流形失配问题，并且易于进行隐码生成，更好地与ImageNet隐空间匹配。2）我们提出的少样本显著性掩码生成器首次能够以少量标注数据合成无限精确的与图像同步的显著性掩码。3）我们提出的质量感知判别器可从含噪合成数据池中筛选高质量合成图像-掩码对，提升合成数据质量。SODGAN首次直接利用生成模型生成的合成数据来处理SOD，为SOD开辟了新研究范式。大量实验结果表明，在合成数据上训练的显著性模型可达到在DUTS-TR上训练的显著性模型 的F值。此外，我们的方法在半监督/弱监督方法中取得了新的SOTA性能，甚至优于若干全监督SOTA方法。代码见 https://github.com/wuzhenyubuaa/SODGAN
引用
@article{arxiv.2210.13835,
title = {Synthetic Data Supervised Salient Object Detection},
author = {Zhenyu Wu and Lin Wang and Wei Wang and Tengfei Shi and Chenglizhao Chen and Aimin Hao and Shuo Li},
journal= {arXiv preprint arXiv:2210.13835},
year = {2022}
}
备注
9 pages, 8 figures